Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK

KLASIFIKASI PENEMPATAN KELAS DI SMP,
BULAN PADANG
1Dewi Lasmiana Panjaitan,1Paska Marto Hasugian

1Program Studi Teknik Informatika, STMIK Pelita Nusantara, Medan, Indonesia

2Rekayasa Perangkat Lunak, STMIK Pelita Nusantara, Medan Indonesia

dewilasmiana@gmail.com

Abstrak

Info Artikel Kelas unggulan adalah sejumlah siswa yang memiliki kemampuan atau prestasi luar biasa pada siswa tersebut, yang

Diterima : 02 September 2021
Revisi : 28 Oktober 2021
Diterima : 02 November 2021
dikelompokkan dalam satu kelas tertentu. Salah satu caranya adalah melalui proses penempatan kelas. Namun pada saat
penempatan kelas terdapat permasalahan yang muncul yaitu pada saat proses penentuan kelas, apakah siswa masuk kelas
unggulan atau kelas biasa. Siswa yang memiliki kemampuan tertentu nantinya akan menempati kelas unggulan dan siswa yang
tidak memiliki kemampuan tertentu tidak akan masuk ke kelas unggulan. Dengan adanya penelitian ini akan membantu pihak

sekolah dalam menentukan kelas unggulan dan kelas biasa, agar tidak ada yang dirugikan, harus ada siswa yang layak menjadi

kelas unggulan. Tujuan dari penelitian ini adalah untuk mengimplementasikan prinsip-prinsip data mining pada Klasifikasi

Penempatan Kelas menggunakan Algoritma K-Nearest Neighbor. Dimana Algoritma K-Nearest Neighbor akan

mengklasifikasikan objek berdasarkan data pembelajaran yang paling dekat dengan objek tersebut. Berdasarkan hasil uji coba

yang dilakukan dengan menggunakan algoritma K-NN dengan 64 data uji dan data latih sebanyak 82 data, maka diperoleh hasil

dari penempatan kelas dengan siswa yang menempati kelas A sebanyak 26 siswa, siswa yang menempati kelas B sebanyak

sebanyak 20 siswa dan siswa yang menempati kelas C sebanyak 18 siswa. Dimana Algoritma K-Nearest Neighbor akan

mengklasifikasikan objek berdasarkan data pembelajaran yang paling dekat dengan objek tersebut. Berdasarkan hasil uji coba

yang dilakukan menggunakan algoritma K-NN dengan 64 data uji dan data latih sebanyak 82 data, maka hasil yang diperoleh

dari penempatan kelas dengan siswa yang menempati kelas A sebanyak 26 siswa, siswa yang menempati kelas B sebanyak 20

siswa dan siswa yang menempati kelas C sebanyak 18 siswa. Dimana Algoritma K-Nearest Neighbor akan mengklasifikasikan

objek berdasarkan data pembelajaran yang paling dekat dengan objek tersebut. Berdasarkan hasil uji coba yang dilakukan

dengan menggunakan algoritma K-NN dengan 64 data uji dan data latih sebanyak 82 data, maka diperoleh hasil dari

penempatan kelas dengan siswa yang menempati kelas A sebanyak 26 siswa, siswa yang menempati kelas B sebanyak sebanyak

20 siswa dan siswa yang menempati kelas C sebanyak 18 siswa. Dimana Algoritma K-Nearest Neighbor akan mengklasifikasikan

objek berdasarkan data pembelajaran yang paling dekat dengan objek tersebut. Berdasarkan hasil uji coba yang dilakukan

dengan menggunakan algoritma K-NN dengan 64 data uji dan data latih sebanyak 82 data, maka diperoleh hasil dari

penempatan kelas dengan siswa yang menempati kelas A sebanyak 26 siswa, siswa yang menempati kelas B sebanyak sebanyak

20 siswa dan siswa yang menempati kelas C sebanyak 18 siswa. Dimana Algoritma K-Nearest Neighbor akan mengklasifikasikan

objek berdasarkan data pembelajaran yang paling dekat dengan objek tersebut. Berdasarkan hasil uji coba yang dilakukan

dengan menggunakan algoritma K-NN dengan 64 data uji dan data latih sebanyak 82 data, maka diperoleh hasil dari

penempatan kelas dengan siswa yang menempati kelas A sebanyak 26 siswa, siswa yang menempati kelas B sebanyak sebanyak

20 siswa dan siswa yang menempati kelas C sebanyak 18 siswa.

Kata kunci: Data Mining, Penempatan Kelas, K-Nearest Neighbor

1. Perkenalan
Sekolah Menengah Pertama (SMP) GKPI Padang Bulan merupakan salah satu lembaga pendidikan swasta
tempat berlangsungnya kegiatan belajar mengajar. Kegiatan belajar mengajar merupakan inti dari keseluruhan
kegiatan pendidikan untuk membangkitkan potensi yang ada pada diri peserta didik. SMP GKPI ini setiap
tahunnya menerima siswa baru, untuk membentuk siswa menjadi manusia yang cerdas, terampil, berprestasi,
berwawasan luas, dan bertakwa kepada Tuhan Yang Maha Esa. Sesuai dengan peraturan SMP GKPI Padang
Bulan bahwa siswa baru akan dibagi menjadi beberapa kelas yaitu kelas A, B, C dan seterusnya, berdasarkan
jumlah siswa yang mendaftar, dengan rata-rata kelas 30 orang per kamar. Namun pada saat pengajaran baru,
penempatan Kelas akan dilakukan berdasarkan nilai rapor atau rangking siswa, masalahnya adalah ketika
menempatkan kelas apakah siswa masuk kelas unggulan atau kelas reguler. Dengan adanya penelitian ini dapat
membantu sekolah yang menerapkan sistem pembagian kelas berdasarkan nilai, sehingga lebih mudah
menempatkan siswa sesuai dengan nilai yang diperoleh. Dimana siswa yang

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
43
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

masuk kelas A akan dijadikan kelas mandiri atau disebut sebagai kelas unggulan, kelas unggulan yang dimaksud
adalah kelas yang memiliki kemampuan atau prestasi luar biasa pada siswa. untuk memudahkan menempatkan
siswa sesuai dengan nilai yang diperoleh. Dimana siswa yang masuk kelas A akan dijadikan kelas mandiri atau
disebut dengan kelas unggulan, kelas unggulan yang dimaksud adalah kelas yang memiliki kemampuan atau
prestasi luar biasa pada siswa. untuk memudahkan menempatkan siswa sesuai dengan nilai yang diperoleh.
Dimana siswa yang masuk kelas A akan dijadikan kelas mandiri atau disebut dengan kelas unggulan, kelas
unggulan yang dimaksud adalah kelas yang memiliki kemampuan atau prestasi luar biasa pada siswa.

Penelitian yang dilakukan (Sebastian, 2019) dengan topik “Implementasi Algoritma K-Nearest
Neighbor Untuk Mengklasifikasikan Produk dari Beberapa Tempat E-market”. Berdasarkan hasil pengujian
yang dilakukan, metode K-Nearest Neighbor dapat mengklasifikasikan produk dari e-marketplace
khususnya Tokopedia dan Bukalapak. Akurasi yang dihasilkan dari pengujian 1, pemilihan nilai k=1, 5, atau
10 adalah 78%, 97,33% dan 92%. Berdasarkan pengujian 1, disimpulkan bahwa nilai k optimal untuk kasus
ini adalah 5. Pada pengujian 2 multi-merek, akurasi yang dihasilkan adalah 96,67%. Nilai akurasi ini dapat
dikatakan baik karena melebihi 90%. Keakuratan algoritma K-Nearest Neighbor sangat dipengaruhi oleh
data latih. Semakin lengkap data pelatihan, semakin baik akurasinya. Belum menguji data konten deskripsi
produk,
Penelitian yang pernah dilakukan (Kartika & Santoso, 2017) dengan topik “Penentuan Prestasi Siswa
Menggunakan Metode K-Nearest Neighbor dan Weighted Product”. Permasalahan di SMP Negeri 3
Mejayan belum seimbang dalam melakukan penilaian karena nilai akademik masih menjadi pertimbangan
utama dibandingkan nilai non akademik. Nilai non akademik hanya digunakan sebagai data pendukung
yang tidak jelas dalam pembobotan nilai. Sehingga dirasa tidak adil dalam menentukan siswa yang
berprestasi. Tes peringkat pertama memiliki tingkat akurasi 66,67%. Tes peringkat kedua memiliki tingkat
akurasi 88,89%. Tes peringkat ketiga memiliki tingkat akurasi 100%. Dengan rapor, ekstrakurikuler,
kepribadian, dan disiplin menjadi prioritas utama dalam menentukan siswa berprestasi. Data yang
digunakan adalah 30 data uji dan 30 data latih.
Penelitian yang dilakukan (Fitrianti, 2018) melakukan “Analisis Sentimen Resensi Restoran dengan Teks Bahasa
Indonesia Menggunakan Algoritma K-Nearest Neighbor”. Diuji dengan menggunakan confusion matrix dan didapatkan
hasil akurasi dari analisis sentimen pada review restoran dengan teks bahasa Indonesia menggunakan K - Nearest
Neighbor dengan persentase 96,61%, nilai k = 1 dan nilai error rate sebesar 3,39%.
Penelitian yang dilakukan (Badu, 2016) melakukan “Penerapan Algoritma K-Nearest Neighbor Untuk
Klasifikasi Dana Desa”. Berdasarkan hasil evaluasi model k-nearest neighbor menggunakan Confusion Matrix,
penggunaan model k-nearest neighbor dari dataset yang digunakan pada objek penelitian diperoleh akurasi
tertinggi sebesar 78,95% atau termasuk Fair dengan menggunakan k =2 parameter. Maka nilai Precision adalah
100% dan Recall adalah 100%. Berdasarkan hasil tersebut, dapat dinyatakan bahwa sistem klasifikasi yang
dibangun dapat digunakan untuk mengambil keputusan dalam mengklasifikasikan dana desa.
Penelitian yang dilakukan (Kurniawan & Saputra, 2019) melakukan “Penerapan K-Nearest Neighbors Dalam
Penerimaan Siswa Dengan Sistem Zonasi”. Berdasarkan pengujian yang dilakukan dengan perhitungan
eksperimen penentuan penerimaan mahasiswa baru dengan menggunakan matriks Confusion dan perhitungan
model Rapidminer, nilai akurasi yang diajukan terletak pada K5 dengan tingkat akurasi sebesar 83,36%.
Berdasarkan penelitian yang telah dilakukan sebelumnya, akan dijadikan sebagai acuan atau pedoman dalam penelitian ini.
Perbedaan penelitian ini dengan penelitian sebelumnya adalah dari segi atribut yang digunakan dan dari segi data yang digunakan.
Atribut yang digunakan adalah nama, kelas, pengetahuan, keterampilan dan pangkat. Penelitian ini bertujuan untuk memudahkan pihak
sekolah dalam mengklasifikasikan penempatan kelas.

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
44
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

2. Metode
Mobil penelitianried out bisa de dituangkan dalam alur kegiatan kerja penelitian seperti gambar di bawah ini:
Pengumpulan data
Masalah
(Sastra dan Penerapan
Identifikasi
Wawancara)

K-NN.
Prapemrosesan transformasi algoritma Penafsiran

Perencanaan sistem

Uji Sistem

Gambar 1. Kerangka Berpikir

Pada tahap ini, kita belajar tentang pengenalan permasalahan yang ada di SMP GKPI Padang Bulan.
Sebagian masalahnya adalah pada saat penempatan kelas dari kelas VII ke kelas VII apakah nantinya siswa
akan menempati kelas A, B atau C, dan seterusnya. Oleh karena itu, SMP GKPI Padang Bulan
membutuhkan sistem yang mampu mengklasifikasikan penempatan kelas. Salah satu pengumpulan data
yang dilakukan adalah wawancara yang dilakukan di SMP GKPI Padang Bulan. Peneliti melakukan
wawancara dengan komunikasi langsung pada Bagian Kemahasiswaan SMP GKPI Padang Bulan dengan
tujuan untuk menggali informasi tertentu. Dengan data yang diperoleh sebanyak 154 data dan 84 data
digunakan sebagai data latih dan 70 data digunakan sebagai data pengujian, namun sebelumnya
dilakukan beberapa tahapan data mining. Tahapan data mining (Mardi, 2017)Seleksi pertama adalah
pemilihan (seleksi) data dari sekumpulan data operasional yang perlu dilakukan sebelum tahap penggalian
informasi di Knowledge Discovery in Database (KDD) dimulai. Pra-pemrosesan, sebelum proses data
mining dapat dilakukan, perlu dilakukan proses pembersihan pada data. Proses pembersihan meliputi
antara lain menghapus data duplikat, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan
pada data, seperti kesalahan pencetakan. Transformation Coding merupakan proses transformasi pada
data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Data mining adalah
proses mencari pola atau informasi yang menarik pada data terpilih dengan menggunakan teknik atau
metode tertentu.

3. Hasil dan Diskusi

3.1 Analisis Algoritma K-Nearest Neighbor
K-Nearest Neighbor (K-NN) merupakan metode yang menggunakan algoritma supervised dimana hasil dari
sampel uji baru diklasifikasikan berdasarkan mayoritas kategori dalam K-NN. Tujuan dari algoritma ini adalah
untuk mengklasifikasikan objek baru berdasarkan atribut dan sampel pelatihan (Yahya & Puspita Hidayanti,
2020). Sebelum melakukan langkah-langkah algoritma K-Nearest Neighbor, tentukan terlebih dahulu data latih
dan data pengujian yang akan diuji, dibawah ini adalah data latih dan pengujian yang akan diuji dengan
Algoritma K-Nearest Neighbor.
Data latih adalah data yang akan diterapkan saat menggunakan algoritma. Data pelatihan yang digunakan adalah data
kelas VIII tahun 2019, dengan atribut yang digunakan adalah atribut nama, kelas, pengetahuan (P), Keterampilan (K), dan
peringkat. Untuk data training dapat dilihat pada Tabel 1 dibawah ini.
Tabel 1. Data Pelatihan
Tidak Nama siswa Kelas Pengetahuan Keterampilan Pangkat

1 Agrita Manurung VIII-A 820 822 30

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
45
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

2 Clarisa Napitupulu VIII-A 886 871 7

3 Daniel Siregar VIII-A 827 824 29
4 Lafao delima VIII-A 867 858 15
5 Elvia Kuno VIII-A 875 862 12
… … … … … …
82 Virel Esekiel VIII-C 808 801 23

Data uji adalah data yang digunakan atau data yang akan diuji dengan data latih. Dengan data yang digunakan sebanyak
64 data dengan atribut yang digunakan yaitu atribut nama, kelas, pengetahuan (P), Keterampilan (K), dan peringkat seperti pada
tabel 2 dibawah ini.

Tabel 2. Data Pengujian

Tidak Nama Kelas Pengetahuan Keterampilan Pangkat

1 Adinda M manalu VII-A 884 887 2

2 Adrian C Harahap VII-A 836 827 22
3 Albert P Sihotang VII-A 821 827 25
4 Amoren Naibaho VII-A 871 861 8
5 Arianto Hulu VII-A 801 818 30
… … … … … …
64 Zona Manulu Varsi VII-B 819 839 15
Langkah pertama untuk melakukan tahapan algoritma K-Nearest Neighbor adalah menentukan nilai
K (nearest neighbor). K disini dimaksudkan sebagai titik objek yang akan diukur. Misalnya sudah
ditentukan 5 tetangga terdekat (K=5), artinya titik objek yang akan diambil adalah 5 titik objek. Setelah
menentukan nilai K, langkah selanjutnya adalah menghitung jarak Euclidean objek terhadap data latih
yang diberikan dengan menggunakan rumus:

Tabel 3. Jarak Euclidean

Tidak Nama Jarak Euclidean Kelas
1 Adinda M Manalu 9,433 SEBUAH

9,433 SEBUAH

9.949 SEBUAH

14.899 SEBUAH

15.842 SEBUAH

2 Adrian C Harahap 7 SEBUAH

10,862 SEBUAH

11.789 SEBUAH

13,674 SEBUAH

14.071 C
… … … …
64 Zona Manulu Varsi 10.049 B
12.688 C
14.177 C
14.730 SEBUAH

14.866 C

Tabel di atas merupakan hasil perhitungan jarak Euclidean objek data pengujian terhadap data
latih, dimana k tetangga terdekat adalah sebesar 5. Berdasarkan hasil klasifikasi yang dilakukan
dengan menerapkan langkah-langkah K- Algoritma Nearest Neighbor, hasil penempatan kelas
dengan yang menempati Kelas A sebanyak 26 siswa, kelas B sebanyak 20, dan kelas C sebanyak 18
siswa sebagai berikut.
Tabel 4. Kelas A . Siswa

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
46
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

Euclidian
Tidak Nama siswa P K Pangkat Kelas
Jarak
1 Adinda M manalu 884 887 2 9,433 SEBUAH

2 Adrian C Harahap 836 827 22 7 SEBUAH

3 Albert P Sihotang 821 827 25 7.141 SEBUAH

4 Amoren Naibaho 871 861 8 5.385 SEBUAH

5 Gracia JE Siburian 896 899 1 7.874008 SEBUAH

6 Gresa Listani 857 865 10 5.656854 SEBUAH

7 Hadasa F Silalahi 838 854 17 10.48809 SEBUAH

8 Putri Hanna 855 878 7 15.93738 SEBUAH

9 Jonathan Ferdinand 882 885 3 8.3666 SEBUAH

10 Joshua A Migo 841 855 16 8.306624 SEBUAH

11 Joe KY Sitinjak 865 876 5 8.602325 SEBUAH

12 Kezia A Gurusinga 847 857 15 6.78233 SEBUAH

13 Leonardo P Hutagalung 832 843 20 10.48809 SEBUAH

14 Marchello Febrian 827 853 19 18.78829 SEBUAH

15 Mutiara Asa 819 831 24 9.899495 SEBUAH

16 Nadia Ulina 854 862 13 7 SEBUAH

17 Romaito Hutajulu 880 873 3 7.483315 SEBUAH

18 Silviana Putri 840 867 14 18.3303 SEBUAH

19 Sinta Daniel 860 872 9 8.660254 SEBUAH

20 Vebi Harmika Marbun 835 848 18 13.2665 SEBUAH

21 Verawati Br. Nasution 855 866 12 6.403124 SEBUAH

22 Yohannes Ndruru 828 823 23 6.164414 SEBUAH

23 Judeo Benediktus 833 838 21 7.28011 SEBUAH

24 Yusus S Sihombing 864 875 6 8.774964 SEBUAH

25 Alforis Talaumbanua 887 882 2 5 SEBUAH

26 Batubara Kennedy 899 886 1 6.324555 SEBUAH

Setelah dilakukan klasifikasi dengan menerapkan langkah-langkah algoritma K-Nearest Neighbor

didapatkan hasil klasifikasi penempatan kelas, sebanyak 20 orang menempati kelas B.
Tabel 5. Tabel Siswa Kelas B
Tidak Nama P K Pangkat Euclidian Kelas
1 Arianto Hulu 801 818 30 13.41641 B
2 Benny H Sitanggang 790 795 33 9,69536 B
3 Dicki Erta Pasaribu 802 815 29 11.44552 B
4 Immanuel Manurung 783 801 34 13,96424 B
5 Marchell Nainggolan 718 818 31 15.29706 B
6 Steven Hutabarat 791 804 32 12.08305 B
7 Astri Hutapea 844 843 9 9.848858 B
8 Fariacy 797 794 25 8.185353 B
9 Freno Divo Lubis 833 838 13 8.062258 B
10 Gidion Surbakti 766 781 29 9.539392 B
11 Kemuliaan A Sitohang 867 854 3 11.22497 B
12 Jessica Amelia 850 845 6 4.472136 B
13 Joyce Elisa Manuela 837 839 11 6.708204 B
14 Lita Tia 771 777 30 5.09902 B
INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International
Lisensi (CC BY-NC 4.0)
47
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

15 Lovandro Tampubolon 777 782 28 3.741657 B

16 Margareta Tampubolon 822 844 8 9.899495 B
17 Nova Lumbangaol 781 779 27 6.164414 B
18 Randy Glen Ginting 781 790 26 7.348469 B
19 Rosintan Sidabutar 831 834 14 6.324555 B
20 Sarah Chaniago 841 833 12 8.062258 B

Dari klasifikasi yang dilakukan dengan menerapkan langkah-langkah Algoritma K-Nearest Neighbor,
didapatkan hasil dari klasifikasi penempatan kelas yang menempati kelas c sebanyak 18 orang, dapat dilihat
pada tabel di bawah ini.
Tabel 6. Kelas C . Meja Siswa
Euclidian
Tidak Nama P K Pangkat
Jarak Kelas
1 Jesika A Bancin 851 869 10 11.6619 C
2 Joel Limbong 805 827 26 13.92839 C
3 Julianto Fransisco 813 822 26 9.539392 C
4 Steven Andrianto 805 829 27 15.77973 C
5 Bunga Teresa 853 855 4 7.211103 C
6 Christian JA Sinaga 813 797 24 6.480741 C
7 Cristian R Simanjuntak 815 811 21 2.828427 C
8 Cici Chaniago 843 841 10 7.615773 C
9 Daniel F Suhombing 810 812 22 4.358899 C
10 Febrian Pardede 816 817 18 3.316625 C
11 Frendi Solin 855 851 5 8.544004 C
12 Kayla Vera Fitri 846 854 7 6.708204 C
13 Kelvin Erlangga 824 820 16 3.741657 C
14 Manaek Samuel 822 806 19 7.874008 C
15 Willy Simanullang 811 803 23 3.605551 C
16 Yesimonika Ndruu 821 824 17 5.09902 C
17 Yohannes Hutagalung 812 813 20 2.44949 C
18 Zona Manulu Varsi 819 839 15 12.68858 C

Dari hasil diatas dapat disimpulkan bahwa algoritma K-Nearest Neighbor efektif dalam mengklasifikasikan.
Dari 146 data yang diuji dengan 82 data latih dan 64 data pengujian menggunakan algoritma K-Nearest
Neighbor, hasil penempatan kelasnya adalah 26 siswa menempati kelas A, 20 siswa menempati kelas B
dan 18 siswa menempati kelas B. kelas C. Dimana siswa yang menempati kelas A merupakan kelas
unggulan.

4. Kesimpulan
Berdasarkan penelitian yang telah dilakukan maka dapat disimpulkan bahwa pada penelitian aplikasi Data
Mining Klasifikasi Penempatan Kelas dengan Metode K-Nearest Neighbor didapatkan beberapa kesimpulan yaitu: Data
yang digunakan untuk penerapan algoritma K-Nearest Neighbor untuk mengklasifikasikan penempatan kelas lebih
fokus dalam mengklasifikasikan penempatan kelas dan data masa lalu juga dapat diterapkan dalam melakukan
penempatan kelas. Algoritma K-Nearest Neighbor dapat diterapkan untuk mengklasifikasikan penempatan kelas
sehingga menghasilkan klasifikasi penempatan kelas dengan kelas A, kelas B dan kelas C dan seterusnya tergantung
banyak data yang akan diolah. Aplikasi atau sistem yang dibuat dapat membuat memudahkan pihak sekolah untuk
mengklasifikasikan Penempatan Kelas dengan Algoritma K-Nearest Neighbor.

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
48
http://infor.seainstitute.org/index.php/infokum/index
INFOKUM JURNAL, Volume 10, No.1, Desember 2021 ISSN : 2302-9706

Referensi

[1] Badu, ZS (2016). APLIKASI ALGORITMA K-NEAREST NEIGHBOR. November.

[2] Budiman, A. (2017). Pengembangan Sistem Perhitungan Inefisiensi Pelapisan Produk Keramik
Berbasis Web di PT Satyaraya Keramindoindah. 7(2).
[3] Fitrianti, RP (2018). Analisis Sentimen Resensi Restoran dengan Teks Bahasa Indonesia Menggunakan
Algoritma K-Nearest Neighbor. 27–32.
[4] Habibi. AM & Santika. (2020). Implementasi Algoritma K-Nearest Neighbor Dalam
Menentukan Jurusan Menggunakan Metode Euclidean Distance Berbasis Web di SMP Setia
Gama, 3(4), 7-14.
[5] Hermawati Astuti Fajar 2018. Data Mining. Yogyakarta. Penerbit CV ANDI.
[6] Informatika, T., & Akakom, S. (2018). Analisis Kinerja Algoritma K-NN Dan C4. 5 Aktif. 2(2).

[7] Kartika, JI, & Santoso, E. (2017). Penentuan Prestasi Belajar Siswa Menggunakan Metode K-Nearest
Neighbor dan Weighted Product (Studi Kasus: SMP Negeri 3 Mejayan). 1(5).
[8] Mardi, Y. (2017). Data Mining: Klasifikasi Menggunakan Algoritma C4.5. Jurnal Pendidikan
Informatika, 2(2), 213–219.
[9] Rahayuningtyas, C., Winarso, DS, Informatika, T., Mahasiswa, P., & Pendahuluan, I.
(2017). Implementasi Algoritma k-Nearest Neighbor Untuk Siswa SMA Jurusan. 6(02),
50–57.
[10] Rosa, AS, dan M. Saladin. 2019. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung :
Informatika Bandung.
[11] Sebastian, D. (2019). Implementasi Algoritma K - Nearest Neighbor untuk Mengklasifikasikan Produk
dari beberapa E - marketplace. 5 (April), 51–61.
[12] Setiawan, MPH, & Masya, F. (2020). Analisis Perancangan Sistem Informasi Pelaporan
Fasilitas Umum dan Informasi Pembuatan E-KTP Bagi Masyarakat. Rabit : Jurnal Teknologi
dan Sistem Informasi Univrab, 5(1), 1–8. https://doi.org/10.36341/rabit.v5i1.810
[13] Vulandari Tri Retno 2017. Teori Data Mining dan Aplikasi Rapidminer. Surakarta. Penerbit Gava
Media
[14] Wulandari, DA (2017).Implementasi Data Mining Penentuan Jurusan SMA Menggunakan
Metode K-Nearest Neighbor Classification di Sman 1 Pace. 1(10).
[15] Yahya, Y., & Puspita Hidayanti, W. (2020). Penerapan Algoritma K-Nearest Neighbor
untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada “Lombok Vape On”.
Infotek : Jurnal Informatika dan Teknologi, 3(2), 104–114. https://doi.org/10.29408/
jit.v3i2.2279

INFOKUM dilisensikan di bawah Creative Commons Attribution-Non Commercial 4.0 International

Lisensi (CC BY-NC 4.0)
49