PREDIKSI KELULUSAN SISWA SD 008 SUNGAI DUSUN MENGGUNAKAN METODE K-NEAREST NEIGHBOR DENGAN OPTIMASI NILAI K DAN 5-FOLD CROSS VALIDATION

rahmathidayatullah hidayah; Usman Usman; Ilyas Ilyas

doi:10.32520/jupel.v8i3.5089

rahmathidayatullah hidayah Fakultas teknik dan ilmu komputer
Usman Usman Sistem Informasi, Fakultas Ilmu dan Komputer, Universitas Islam Indragiri
Ilyas Ilyas Sistem Informasi, Fakultas Ilmu dan Komputer, Universitas Islam Indragiri

DOI: https://doi.org/10.32520/jupel.v8i3.5089

Keywords: K-Nearest Neighbor, cross validation, prediksi kelulusan, data mining, machine learning

Abstract

Prediksi kelulusan siswa merupakan bagian penting dalam manajemen pendidikan yang dapat mendukung pengambilan keputusan berbasis data. Penelitian ini menerapkan algoritma K-Nearest Neighbor (K-NN) dengan optimasi nilai K menggunakan metode 5-Fold Cross Validation untuk memprediksi status kelulusan siswa SD 008 Sungai Dusun. Dataset yang digunakan terdiri dari 212 data siswa dengan lima atribut nilai mata pelajaran: Pendidikan Agama Islam (PAI), Pendidikan Pancasila dan Kewarganegaraan (PPKn), Bahasa Indonesia, Matematika, dan IPA. Preprocessing data meliputi penanganan missing value, transformasi kategorik ke numerik, dan normalisasi Min-Max. Pengujian dilakukan pada K = 3, K = 5, dan K = 9. Hasil menunjukkan bahwa K = 9 memberikan performa terbaik dengan akurasi 96,72%, precision 97,95%, dan recall 94,74%. Analisis confusion matrix menunjukkan False Negative hanya 2 data, mengindikasikan model sangat efektif dalam mendeteksi siswa berisiko tidak lulus. Penelitian ini membuktikan bahwa K-NN dengan optimasi parameter dan cross validation merupakan pendekatan yang andal untuk prediksi kelulusan siswa sekolah dasar.

Downloads

Download data is not yet available.

References

[1] M. Jafar and D. Aisyah, "Muslim Jafar, Devy Aisyah, Amrina," vol. 2338, no. 02, pp. 13-34, 2022.
[2] S. R. Asriningtas, D. U. Surya, and E. R. N. Wulandari, "Pemodelan Prediksi Kelulusan Tepat Waktu Mahasiswa D3," J. Tek. Elektro dan Inform., vol. 20, pp. 63-73, 2025.
[3] E. Etriyanti, "Perbandingan Tingkat Akurasi Metode KNN dan Decision Tree dalam Memprediksi Lama Studi Mahasiswa," J. Ilm. Bina STMIK Bina Nusant. Jaya Lubuklinggau, vol. 3, no. 1, pp. 6-14, 2021.
[4] N. Maftucha, S. Salma, N. Rahmayuna, and N. Wakhidah, "Perbandingan Algoritma Machine Learning dalam Memprediksi Kelulusan Siswa," J. Tekno Kompak, vol. 19, no. 2, pp. 116-128, 2025.
[5] A. Budiyantara, I. Irwansyah, E. Prengki, P. A. Pratama, and N. Wiliani, "Komparasi Algoritma Decision Tree, Naive Bayes dan K-Nearest Neighbor untuk Memprediksi Mahasiswa Lulus Tepat Waktu," JITK, vol. 5, no. 2, pp. 265-270, 2020.
[6] A. Muni and M. Jibril, "Penerapan Metode Naive Bayes Classifier dalam Pemilihan Kualitas Bibit Kelapa," J. Perangkat Lunak, vol. 5, no. 3, pp. 313-322, 2023.
[7] M. D. Hendriyanto and B. N. Sari, "Penerapan Algoritma K-Nearest Neighbor dalam Klasifikasi Judul Berita Hoax," J. Ilm. Inform., vol. 10, no. 02, pp. 80-84, 2022.
[8] A. S. Fauzan, A. I. P. Sari, and I. Ali, "Analisis Perbandingan Algoritma Decision Tree dan Naive Bayes untuk Mengevaluasi Prestasi Belajar Siswa," JATI, vol. 8, no. 1, pp. 741-747, 2024.
[9] M. R. Arrohman et al., "Analisis Klasifikasi Kelulusan Siswa Menggunakan Metode KNN dan Random Forest," JMSI, vol. 6, no. 2, pp. 299-305, 2025.
[10] D. I. S. D. N. Balerejo, "Klasifikasi Kelulusan Siswa SD menggunakan KNN," vol. 10, pp. 1123-1129, 2025.
[11] F. Sugandi, "Prediksi Kelulusan Mahasiswa STMIK Dharmawacana menggunakan Algoritma K-Nearest Neighbors," Sienna, vol. 4, no. 1, pp. 20-26, 2023.
[12] A. E. Gumanti, Taslim, S. Handayani, and T. Dafwen, "Penerapan Algoritma K-NN untuk Klasifikasi Topik Skripsi Mahasiswa," J. ITACS, vol. 1, pp. 44-50, 2022.
[13] H. Latifah and S. Mujiyono, "Perbandingan Algoritma Naive Bayes, K-NN, ID3, dan SVM dalam Menentukan Prediksi Kelulusan Siswa," J. Mahasiswa Tek. Inform., vol. 2, no. 1, pp. 38-45, 2023.
[14] I. P. Tafonao and A. F. K. Sibero, "Teknik Klasifikasi Prediksi Kelulusan Mahasiswa Sistem Informasi menggunakan K-NN," J. Mahajana Inf., vol. 7, no. 1, pp. 83-90, 2022.
[15] W. Lastari, "Penerapan Data Mining untuk Memprediksi Prestasi Siswa SMA pada Dinas Pendidikan Provinsi Jambi," vol. 8, no. 2, pp. 310-321, 2023.
[16] D. Supriadi, Y. Yupianti, and E. Suryana, "Penerapan K-Nearest Neighbor untuk Klasifikasi Tingkat Kelulusan Siswa SMA Negeri 11 Bengkulu," J. Media Infotama, vol. 19, no. 2, pp. 472-478, 2023.