Nayla salsabila

Safira nadhivah

Penerapan Algoritma K-Nearest Neighbor pada Deteksi Kecurangan Akademik Mahasiswa

TINJAUAN PUSTAKA

1. Pengertian Deteksi Kecurangan Akademik

Deteksi kecurangan akademik adalah proses untuk mengidentifikasi dan mencegah kecurangan
dalam lingkungan akademik. Jenis-jenis kecurangan akademik yang sering terjadi antara lain plagiat,
kecurangan saat ujian, atau kecurangan dalam penilaian.

2. Pengertian Algoritma K-Nearest Neighbor

Algoritma k-Nearest Neighbor (k-NN) adalah salah satu algoritma machine learning yang digunakan
untuk mengklasifikasikan objek berdasarkan kategori terdekat dari objek tersebut. Algoritma ini
bekerja dengan mencari k objek terdekat dari objek yang akan diklasifikasikan, kemudian
memberikan kategori yang paling sering muncul dari objek-objek terdekat tersebut sebagai kategori
objek yang akan diklasifikasikan.

3. Deteksi Kecurangan Akademik dengan Algoritma K-Nearest Neighbor

Penelitian sebelumnya telah menunjukkan bahwa algoritma k-Nearest Neighbor dapat digunakan
untuk deteksi kecurangan akademik. Dalam penelitian ini, data dari mahasiswa yang terindikasi
melakukan kecurangan akademik akan diklasifikasikan dengan menggunakan algoritma k-NN. Data
yang digunakan untuk pelatihan algoritma akan berisi data-data mahasiswa yang telah terbukti
melakukan kecurangan akademik dan data-data mahasiswa yang tidak melakukan kecurangan.
Setelah dilakukan pelatihan, algoritma k-NN dapat digunakan untuk mengklasifikasikan data
mahasiswa yang terindikasi melakukan kecurangan akademik.

4. Kelebihan dan Kekurangan Algoritma K-Nearest Neighbor

Kelebihan dari algoritma k-NN adalah mudah diimplementasikan dan dapat menghasilkan hasil yang
akurat dalam kasus-kasus yang sederhana. Namun, kekurangan dari algoritma ini adalah komputasi
yang cukup mahal ketika digunakan untuk dataset yang sangat besar.J

KESIMPULAN

Dari tinjauan Pustaka yang dilakukan, dapat disimpulkan bahwa algoritma k-Nearest Neighbor dapat
digunakan untuk deteksi kecurangan akademik. Kelebihan dari algoritma ini adalah mudah
diimplementasikan dan dapat menghasilkan hasil yang akurat dalam kasus-kasus yang sederhana.
Namun, kekurangan dari algoritma ini adalah komputasi yang cukup mahal Ketika digunakan untuk
dataset yang sangat besar. Oleh karena itu, penggunaan algoritma k-NN harus dipertimbangkan
dengan baik.