Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes Untuk Klasifikasi Prestasi Akademik Pada Dataset Student Performance
Keywords:
Data Mining, Naive Bayes, KNN, Prestasi Akademik, FlaskAbstract
Prestasi akademik siswa merupakan indikator penting dalam proses pendidikan yang dapat digunakan untuk mengevaluasi keberhasilan pembelajaran. Namun, proses analisis prestasi akademik masih sering dilakukan secara manual sehingga kurang efektif dalam mengolah data dalam jumlah besar. Penelitian ini bertujuan membandingkan performa algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam klasifikasi prestasi akademik menggunakan dataset Student Performance. Metode penelitian menggunakan Knowledge Discovery in Database (KDD) yang meliputi pengumpulan data, preprocessing, klasifikasi, evaluasi model, dan interpretasi hasil. Dataset terdiri dari sekitar 1000 data siswa dengan atribut gender, parental level of education, lunch, test preparation course, math score, reading score, dan writing score. Evaluasi dilakukan menggunakan accuracy, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memperoleh performa terbaik dengan accuracy 92,75%, precision 92,34%, recall 92,80%, dan classification error 7,25%. Sedangkan algoritma KNN memperoleh accuracy 91,12%. Hasil penelitian juga diimplementasikan dalam aplikasi berbasis web menggunakan framework Flask untuk mempermudah proses prediksi prestasi akademik siswa
References
S. Widaningsih, “Penerapan Data Mining untuk Memprediksi Siswa Berprestasi dengan Menggunakan Algoritma K Nearest Neighbor,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2598–2611, 2022, doi: 10.35957/jatisi.v9i3.859.
A. Muhaimin, M. Amin Hariyadi, and M. I. Imamudin, “Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor,” J. Ilmu Komput. dan Sist. Inf., vol. 7, no. 1, pp. 193–202, 2024, doi: 10.55338/jikomsi.v7i1.2865.
N. S. Fauziah and R. D. Dana, “Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari,” Blend Sains J. Tek., vol. 1, no. 4, pp. 295–305, 2023, doi: 10.56211/blendsains.v1i4.234.
P. Ramadhan, Yuhandri, and J. Veri, “Eksplorasi Algoritma Decision Tree untuk Penentuan Siswa Berprestasi,” bit-Tech, vol. 7, no. 3, pp. 826–833, 2025, doi: 10.32877/bt.v7i3.2210.
A. S. Arifianto, K. Dewi Safitri, K. Agustianto, and I. G. Wiryawan, “Pengaruh Prediksi Missing Value pada Klasifikasi Decision Tree C4.5,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, pp. 779–786, 2022, doi: 10.25126/jtiik.2022944778.
A. Winantu and C. Khatimah, “Perbandingan Metode Klasifikasi Naive Bayes Dan K-Nearest Neighbor Dalam Memprediksi Prestasi Siswa,” INTEK J. Inform. dan Teknol. Inf., vol. 6, no. 1, pp. 58–64, 2023, doi: 10.37729/intek.v6i1.3006.
F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.
S. N. Bakri and L. S. Harahap, “Analisis klasifikasi Algoritma K-Nearest Neighboar (K-NN) pada struktur Daerah di Kota Medan,” J. Ilmu Komput. dan Sist. Inf., vol. 4, no. 2, pp. 182–193, 2025, doi: 10.70340/jirsi.v4i2.165.
A. F. Riany and G. Testiana, “Penerapan Data Mining untuk Klasifikasi Penyakit Jantung Koroner Menggunakan Algoritma Naïve Bayes,” MDP Student Conf., vol. 2, no. 1, pp. 297–305, 2023, doi: 10.35957/mdp-sc.v2i1.4388.
F. Sholekhah, A. D. Putri, R. Rahmaddeni, and L. Efrizoni, “Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom: Comparison of Naive Bayes and K-Nearest Neighbors Algorithms for Metabolic Syndrome Classification,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 507–514, 2024.
