PENERAPAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBORS UNTUK APLIKASI PREDIKSI HASIL SELEKSI PENERIMAAN PESERTA DIDIK BARU DI SMA NEGERI 17 PALEMBANG

KURNIAWAN, ANANG PURNOMO (2025) PENERAPAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBORS UNTUK APLIKASI PREDIKSI HASIL SELEKSI PENERIMAAN PESERTA DIDIK BARU DI SMA NEGERI 17 PALEMBANG. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) 0.pdf Download (2MB)
	Text (BAB 1) 1.pdf Download (1MB)
	Text (DAFTAR PUSTAKA) D.pdf Download (909kB)
	Text (FULLBAB SKRIPSI) F.pdf Restricted to Repository staff only Download (2MB)

Abstract

Meningkatnya ketersediaan data pendidikan telah menciptakan peluang untuk menerapkan teknik machine learning (ML) untuk memprediksi hasil penerimaan peerta didik baru, sehingga memungkinkan intervensi tepat waktu untuk meningkatkan kinerja dan retensi akademik. Studi ini menyelidiki kemampuan prediktif dari dua algoritma klasifikasi yang banyak digunakan yaitu K-Nearest Neighbors (KNN) dan Naïve Bayes dalam mengklasifikasikan hasil kelulusan PPDB di SMA Negeri 17 Palembang. Data yang dikumpulkan mencakup periode tiga tahun dari tahun ajaran 2022/2023 hingga tahun ajaran 2025/2026, tidak termasuk tahun ajaran 2024/2025. Kumpulan data tersebut terdiri dari atribut akademik dan demografis, yang menyediakan representasi multifaset dari profil siswa. Kinerja model dinilai menggunakan metrik akurasi, presisi, dan ingatan yang diperoleh dari analisis matriks prediksi. Model KNN mencapai akurasi 96,48%, dengan nilai presisi dan ingatan khusus kelas melebihi 95%, yang menunjukkan keandalan prediktif yang kuat tetapi dengan kesalahan klasifikasi yang kecil. Sebaliknya, pengklasifikasi Naïve Bayes menunjukkan kinerja prediktif yang sempurna, mencapai akurasi, presisi, dan recall 100%, yang mencerminkan kecocokan persis antara hasil prediksi dan hasil aktual. Hasil ini menggarisbawahi kesesuaian Naïve Bayes dalam konteks di mana asumsi independensi fitur selaras dengan properti statistik himpunan data, sekaligus menyoroti ketahanan KNN dalam menangani tugas klasifikasi non parametrik. Temuan ini memiliki implikasi praktis bagi institusi pendidikan yang ingin menerapkan sistem peringatan dini dan kerangka kerja pengambilan keputusan berbasis data. Dengan mengintegrasikan model prediktif ini ke dalam sistem informasi di sekolah atau Dinas Pendidikan, maka dapat secara proaktif mengidentifikasi permasalahan PPDB, menyesuaikan strategi intervensi, dan mengoptimalkan alokasi sumber daya. Penelitian di masa mendatang sebaiknya berfokus pada validasi lintas institusi, rekayasa fitur yang diperluas, dan pendekatan hybrid modeling untuk meningkatkan generalisasi dan adaptasi di berbagai lingkungan pendidikan.

Actions (login required)

View Item