ANALISIS PENERAPAN K-NEAREST NEIGHBOR DAN NAIVE BAYES CLASSIFIER UNTUK KLASIFIKASI PENJURUSAN SISWA PADA MAN 2 MODEL PEKANBARU

REYSA HASTARIMASUCI, (2017) ANALISIS PENERAPAN K-NEAREST NEIGHBOR DAN NAIVE BAYES CLASSIFIER UNTUK KLASIFIKASI PENJURUSAN SISWA PADA MAN 2 MODEL PEKANBARU. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

[img]
Preview
Text
1. COVER.pdf

Download (369kB) | Preview
[img]
Preview
Text
2. PENGESAHAN.pdf

Download (827kB) | Preview
[img]
Preview
Text
3. ABSTRAK.pdf

Download (315kB) | Preview
[img]
Preview
Text
4. KATA PENGANTAR.pdf

Download (426kB) | Preview
[img]
Preview
Text
5. DAFTAR ISI.pdf

Download (265kB) | Preview
[img]
Preview
Text
6. BAB I.pdf

Download (476kB) | Preview
[img]
Preview
Text
7. BAB II.pdf

Download (497kB) | Preview
[img]
Preview
Text
8. BAB III.pdf

Download (439kB) | Preview
[img] Text
9. BAB IV.pdf
Restricted to Repository staff only

Download (2MB)
[img]
Preview
Text
10. BAB V.pdf

Download (256kB) | Preview
[img]
Preview
Text
11. DAFTAR PUSTAKA.pdf

Download (394kB) | Preview

Abstract

Proses penjurusan siswa di SMA/MA berperan penting dalam mengarahkan dan menempatkan siswa sesuai dengan kemampuan dan minat yang dimilikinya. Terdapat dua jurusan berdasarkan kurikulum 2013 yaitu MIA dan IPS. Penempatan jurusan siswa dengan tepat dapat membantu siswa untuk meningkatkan prestasi dengan lebih baik. Pada penelitian ini dilakukan proses klasifikasiterhadap penjurusan siswa dengan menerapkan metode K Nearest Neighbor (K-NN) dan Naïve Bayes Classifier (NBC). Atribut yang digunakan dalam proses klasifikasi adalah jenis kelamin, minat, hasil psikotes (IQ), rata-rata nilai raport SMP (matematika, IPA, IPS, bahasa inggris), dan nilai meterikulasi (matematika, fisika, bahasa inggris, ekonomi).Proses klasifikasidilakukan terhadapsiswa tahun ajaran 2016/2017 sebagai data testingberdasarkan dari data siswa tahun ajaran 2013/2014 sebagai data training. Hasil penelitian ini memperoleh akurasi dari algoritma K-NN sebesar 94,11% dengan menggunakan kombinasi atribut rata-rata nilai ujian materikulasi dan minat serta 96,07% menggunakan kombinasi atribut IQ dan minat. Sedangkan algoritma NBC memperoleh hasil akurasi 100% dengan menggunakan kombinasi atribut yang sama dengan atribut yang diterapkan pada algoritma K-NN. Perhitunganalgoritma K-NN diimplemenetasikan pada sebuah sistem penjursan siswadimana, outputdari sistem ini dapat dijadikan pedoman bagi pihak sekolah untuk melakukanklasifikasipenjurusan siswa dimasa yang akan datangdengan hasil yang lebih tepat dan akurat.Kata Kunci:K-Nearest Neighbor, Klasifikasi Penjurusan Siswa, Naive Bayes Classifier

Item Type: Thesis (Skripsi)
Subjects: 000 Karya Umum
Divisions: Fakultas Sains dan Teknologi > Sistem Informasi
Depositing User: Ms. Nilam Badriyah
Date Deposited: 28 Aug 2019 03:03
Last Modified: 28 Aug 2019 03:03
URI: http://repository.uin-suska.ac.id/id/eprint/18494

Actions (login required)

View Item View Item