RANCANG BANGUN APLIKASI DATA MINING PREDIKSI KELULUSAN UJIAN NASIONAL MENGGUNAKAN ALGORITMA (KNN) K-NEAREST NEIGHBOR DENGAN METODE EUCLIDEAN DISTANCE PADA SMPN 2 PAGEDANGAN

Penulis

DOI:

https://doi.org/10.31000/jika.v4i1.2288

Abstrak

Dengan meningkatnya kualitas pendidikan di Indonesia sangat mempengaruhi nilai standar kelulusan Ujian Nasional (UN) untuk tingkat Sekolah Menengah Pertama (SMP) yang semakin tinggi. SMPN 2 Pagedangan merupakan salah satu SMP yang akan melaksanakan Ujian Nasional yang diselenggarakan oleh pemerintah. Dengan ini pihak sekolah melakukan persiapan untuk menghadapi Ujian Nasional dengan mengadakan ujian Tryout. Ujian Tryout merupakan salah satu cara guru untuk membantu para siswa siswi dalam mempersiapkan diri untuk menghadapi Ujian Nasional. Maka dari itu ujian Tryout bisa menjadi tolak ukur para siswa siswi dalam menghadapi Ujian Nasional dengan  baik dan mendapatkan nilai yang bagus. Jika siswa siswi mendapatkan nilai Tryout nya yang tidak melampaui standar yang ditentukan, maka pihak sekolah harus cepat mengambil tindakan dengan membuat solusi lain yang tepat bagi siswa siswi nya.  Dari hasil Tryout tersebut, para guru masih kesulitan untuk memprediksi kelulusan Ujian Nasional setiap tahunnya. Dikarenakan belum ada aplikasi yang menggunakan teknik untuk memprediksi yang ada untuk meningkatkan kelulusan ujian nasional. Dengan adanya masalah tersebut, maka ada solusi terbaik yang dapat membantu pihak sekolah dalam memprediksi kelulusan Ujian Nasional. Algoritma K-Nearest Neighbor dengan metode Euclidean Distance  (pengukuran jarak)  akan sangat membantu dalam masalah efisiensi waktu dan efektif dalam memprediksi kelulusan Ujian Nasional. Atribut yang digunakan dalam prediksi dan klasifikasi ini adalah nilai Tryout sedangkan atribut pada siswa yang digunakan adalah NIS, Nama, Ipa1, dan IPA2. Dengan menggunakan nilai Tryout siswa siswi 3 tahun terakhir yang berjumlah  744 data. Setelah data tersebut diproses akan menghasilkan rata-rata akurasi sebesar  88.42%. Menggunakan nilai k yaitu 7 rata-rata akurasi  96.26%, presisi 96.17%, dan recall sebesar   97.32%. Dengan ini dapat disimpulkan bahwa dari pengujian yang telah dilakukan dengan menggunakan dataset siswa siswi SMPN 2 Pagedangan angkatan, 2016/2017, 2017/2018, 2018/2019 sistem dapat memprediksi dan mengklasifikasikan dengan baik dan cepat.

Biografi Penulis

  • Sri Mulyati, University of Muhammadiyah Tangerang
    Universitas Muhammadiyah Tangerang

Referensi

Destriana, R., Permana, A, A., Legawa, S, D,. dan Irawan, H. 2019, Security system development for vehicle using the method of “mail notification†at villa Rizki Ilhami Tangerang residential, IOP Conference Series: Materials Science and Engineering 012124, Vol 508 No 1, IOP Publishing doi:10.1088/1757-899X/508/1/012124

Gorunescu, F. 2011. Data Mining Concept Model and Techniques. Berlin: Springer. ISBN 978-3-642-19720-8

Han J, Dkk 2012 Data Mining: Concepts And Techniques, 3rd Edition

Lukman, K. U. S. bin and Labellapansa, A. 2015 Analisa Nilai Limda Model Jarak Minkowsky Untuk Penentuan Jurusan SMA (Studi Kasus di SMA Negeri 2 Tualang)’, Jurnal Teknik Informatika dan Sistem Informasi

Mustakim, Giantika Oktaviani F, 2016 Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi Predikat Prestasi Mahasiswa. Jurnal Sains, Teknologi dan Industri, Vol. 13, No.2, Juni 2016, pp.195 - 202 ISSN 1693-2390

Pressman, Ph.D.Roger S. 2010. Pendekatan Praktisi Rekayasa Perangkat Lunak. Edisi 7. Penerbit Andi. Yogyakarta.

R. Taufiq dan A. A. Permana, 2018, “Sistem Pendukung Keputusan Penerimaan Karyawan Menggunakan Simple Additive Weighting Studi Kasus PT. Trafoindo Prima Perkasa,†J. Al-AZHAR Indonesia. SERI SAINS DAN Teknol., vol. 4, no. 4, hlm. 186–194.

Siburian Beni, 2014 Aplikasi Data Mining Untuk Menampilkan Tingkat Kelulusan Mahasiswa Dengan Algoritma Apriori. Pelita Informatika Budi Darma, Vol. 8, No. 2, Agustus 2014, ISSN : 2301-9425Pressman, Ph.D.Roger S. 2010. Pendekatan Praktisi Rekayasa Perangkat Lunak. Edisi 7. Penerbit Andi. Yogyakarta

Unduhan

File Tambahan

Diterbitkan

2020-01-30

Terbitan

Vol 4 No 1 (2020): JIKA (Jurnal Informatika)

Bagian

Articles

Lisensi

License and Copyright Agreement

In submitting the manuscript to the journal, the authors certify that:

  • They are authorized by their co-authors to enter into these arrangements.
  • That it is not under consideration for publication elsewhere,
  • That its publication has been approved by all the author(s) and by the responsible authorities – tacitly or explicitly – of the institutes where the work has been carried out.
  • They secure the right to reproduce any material that has already been published or copyrighted elsewhere.
  • They agree to the following license and copyright agreement.

Copyright

Authors who publish with International Journal of Advances in Intelligent Informatics agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal. 
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.

Licensing for Data Publication

International Journal of Advances in Intelligent Informatics use a variety of waivers and licenses, that are specifically designed for and appropriate for the treatment of data:

Other data publishing licenses may be allowed as exceptions (subject to approval by the editor on a case-by-case basis) and should be justified with a written statement from the author, which will be published with the article.

Open Data and Software Publishing and Sharing

The journal strives to maximize the replicability of the research published in it. Authors are thus required to share all data, code or protocols underlying the research reported in their articles. Exceptions are permitted but have to be justified in a written public statement accompanying the article.

Datasets and software should be deposited and permanently archived inappropriate, trusted, general, or domain-specific repositories (please consult http://service.re3data.org and/or software repositories such as GitHub, GitLab, Bioinformatics.org, or equivalent). The associated persistent identifiers (e.g. DOI, or others) of the dataset(s) must be included in the data or software resources section of the article. Reference(s) to datasets and software should also be included in the reference list of the article with DOIs (where available). Where no domain-specific data repository exists, authors should deposit their datasets in a general repository such as ZENODO, Dryad, Dataverse, or others.

Small data may also be published as data files or packages supplementary to a research article, however, the authors should prefer in all cases a deposition in data repositories.