PREDIKSI PERFORMA SISWA BERDASARKAN

NILAI AKADEMIK DENGAN METODE

ALGORITMA K-NEAREST
NEIGHBOR
Oleh :
Aisyah Herawati
150535601485
 Latar belakang

Pihak akademik harus

mampu memahami
kemampuan masing- Perlunya mendapat
masing siswa. keterangan performa
Akan diberikan
siswa
rekomendasi
 Tujuan Penelitian Manfaat Penelitian

Mengetahui kinerja K-Nearest Membantu guru untuk memantau

Neighbor dalam klasifikasi nilai siswa dan membantu untuk
performa. memberikan rekomendasi yang
sesuai kebutuhan dari siswanya.

Mengetahui hasil klasifikasi Membantu siswa agar dapat

dari K-Nearest Neighbor mempertahankan atau
memperbaiki nilai.
Penelitian Terkait

JUDUL PENELITIAN HASIL

Algoritma K-Nearest
Neighbor Classification
Mustakim & Oktafiani, 2016 Akurasi 82%
Sebagai Sistem Prediksi
Predikat Prestasi Mahasiswa

Klasifikasi Data Tidak

F-Measure
Seimbang Menggunakan
Siringoringo, R. 2018 KNN+SMOTE = 0.8
Algoritma SMOTE Dan K- KNN = 0.5
Nearest Neighbor
Metode
K-Nearest Neighbor
• Merupakan metode yang fleksibel dan algortima machine learning yang sederhana,
metode ini bekerja berdasarkan jarak terpendek dari objek ke training sampel untuk
menentukan sejumlah k.

• Merupakan metode yang sederhana, metode ini cukup mumpuni untuk menangani data
yang banyak dengan memanfaatkan kedekatan antar data .
Langkah-langkah Klasifikasi dengan KNN
■  Tentukan Nilai K
■ Hitung jarak antara data set dan data latih menggunakan persamaan.

Keterangan :
Xi = nilai dari data latih
Yi = nilai dari uji
i = variabel data
k= dimensi data
■ Urutkan tetangga berdasarkan nilai terkecil ke nilai terbesar
■ Pilih tetangga sebanyak K dari daftar yang sudah diurutkan
Preprocessing
Dengan menggunakan Teknik SMOTE (Synthetic Minority Over-Sampling
Technique).

Digunakan untuk menyelesaikan masalah kelas yang tidak seimbang.

SMOTE membuat contoh dari class minoritas sintesis yang memanfaatkan

ruang fitur dari pada ruang data.
Langkah Penelitian

DATASET

PREPROCESSING
(SMOTE)

MODEL(KNN)

EVALUASI (AKURASI,
PRECISION, RECALL DAN
ERROR RATE)
 Sumber data & Pengolahan Data
Didapatkan dataset yang
Didapatkan dari SMKN 1 telah diberi SMOTE
Nglegok dengan data dengan 1877 instance
sebanyak 1460 instance Pemberian label Naik dan ( dengan Jumlah data
dan memiliki 68 atribut Turun Kelas Naik 977 dan Kelas
Turun 900)

Menyederhanakan atribut Didapatkan dataset yang

yang akan dipakai akan dipakai, dengan
adanya 7 atribut dan 1427
instance ( dengan Jumlah
data Kelas Naik 977 dan
Kelas Turun 500)
Hasil Data Preprocessing

  Jumlah Naik Jumlah Total Data

Turun

Data Asli 977 450 1427

Data+SMOT 977 900 1877

E
 MODEL
■ Pengujian menggunakan 5
skenario Yaitu K = 1, K = 3, K
= 5 , K = 7dan K = 9.
■ Pengujian dilakukan Dengan
software Weka versi 3.8.
EVALUASI
■ Tahap Evaluasi dilakukan
untuk menguji performa
dengan menggunakan
Confusion Matrix dan 10-folds
Cross Validation.
■ Hasil Confusin Matrix
kemudian dihitung
menggunakan Akurasi,
Precision, Recall Dan Error
Rate.
Hasil Akurasi
100

90

80

74.48
70 71.87 71.87
70.37 69.23 69.73
68.04 67.69
65.87
60 62.92

Persentase (%)
50

40

30

20

10

0
K=1 K=3 K=5 K=7 K=9

Nilai K

KNN KNN + SMOTE

Hasil Precision
100

90

80 80.21
77.08 77.61
75.45
73.14 73.2 73.53 73.8
70 72.35 72.71

60

Persentase (%)
50

40

30

20

10

0
K=1 K=3 K=5 K=7 K=9

Nilai K

KNN KNN +SMOTE

Hasil
Recall
100

90
88.12
85.46
80 83.31
79.11

70 72.46
67.65
65.4 64.58 64.89
63.86
60

Persentase (%)
50

40

30

20

10

0
K=1 K=3 K=5 K=7 K=9

Nilai K

KNN KNN + SMOTE

Hasil Error Rate
100

90

80

70

60

Persentase (%)
50

40
37.07
34.12
30 31.95 32.3
30.76 30.26
29.62
28.12 28.12
25.51
20

10

0
K=1 K=3 K=5 K=7 K=9

Nilai K

KNN KNN + SMOTE

Kesimpulan

■ KNN + SMOTE memiliki akurasi yang lebih baik dibandingkan KNN, karena kelas
datanya seimbang.

■ Hasil klasifikasi menggunakan algoritma KNN memiliki akurasi terbesar dalam nilai k
= 9 yaitu sebesar 69,23% dan nilai error rate sebesar 30,76%. Sedangkan dalam KNN
menggunakan SMOTE memiliki akurasi terbesar dalam nilai k = 1 yaitu sebesar
74,48% dan nilai error rate sebesar 25,51%.
Terima Kasih