Implementasi Algoritma K-Nearest Neighbour (KNN) Untuk Mengklasifikasikan Minat Siswa Kelas VIII Dalam Upaya Penentuan Tim OSN di SMP Negeri 2 Rendang

Arisnawan, Pande Made Doni Dwipa (2026) Implementasi Algoritma K-Nearest Neighbour (KNN) Untuk Mengklasifikasikan Minat Siswa Kelas VIII Dalam Upaya Penentuan Tim OSN di SMP Negeri 2 Rendang. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215051048_COVER.pdf
Download (601kB)
[img] Text (ABSTRAK)
2215051048_ABSTRAK.pdf
Download (281kB)
[img] Text (BAB I PENDAHULUAN)
2215051048_BAB I.pdf
Download (282kB)
[img] Text (BAB II KAJIAN PUSTAKA)
2215051048_BAB II.pdf
Restricted to Repository staff only
Download (619kB) | Request a copy
[img] Text (BAB III METODE PENELITIAN)
2215051048_BAB III.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB IV HASIL DAN PEMBAHASAN)
2215051048_BAB IV.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB V PENUTUP)
2215051048_BAB V.pdf
Restricted to Repository staff only
Download (261kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215051048_DAFTAR PUSTAKA.pdf
Download (248kB)
[img] Text (LAMPIRAN)
2215051048_LAMPIRAN.pdf
Download (5MB)

Abstract

Penelitian ini bertujuan mengembangkan aplikasi desktop luring menggunakan algoritma K-Nearest Neighbour (KNN) sebagai solusi atas masalah objektivitas dan efisiensi pada proses seleksi awal kandidat Olimpiade Sains Nasional (OSN) di SMP Negeri 2 Rendang. Hal tersebut dilatarbelakangi oleh metode penyeleksian konvensional yang masih bersifat manual, rentan terhadap bias subjektivitas, dan belum mengoptimalkan data riwayat akademik siswa secara berkelanjutan. Untuk menghasilkan sistem pendukung keputusan yang akurat, sistem ini melakukan klasifikasi peminatan akademik melalui integrasi 12 fitur kuantitatif, mencakup akumulasi nilai rapor selama tiga semester untuk mata pelajaran IPA, IPS, dan Matematika, ditambah dengan rekam jejak prestasi kejuaraan. Secara metodologis, studi Research and Development (R&D) ini menerapkan pendekatan ADDIE (Analysis, Design, Development, Implementation, Evaluation). Pengembangan aplikasinya memanfaatkan bahasa pemrograman Python dalam lingkungan komputasi luring, dikombinasikan dengan pustaka Scikit-Learn untuk pemrosesan inferensi dan CustomTkinter untuk perancangan antarmuka grafis pengguna. Pada penelitian ini, validasi keandalan algoritma dilakukan menggunakan metode pengujian K-Fold Cross Validation (k=3). Hasilnya menunjukkan bahwa konfigurasi tetangga terdekat pada nilai k=5 menghasilkan kinerja yang sangat optimal, mencatatkan tingkat akurasi sebesar 94,94%, presisi 95,61%, sensitivitas (recall) 94,94%, dan F1- Score sebesar 94,85%. Selanjutnya, pengujian fungsionalitas dan efektivitas aplikasi melalui metode Blackbox serta User Acceptance Testing (UAT) yang melibatkan 12 orang guru pembina OSN menghasilkan nilai kelayakan akumulatif mencapai 96,11%, yang berada pada kategori "Sangat Layak". Berdasarkan pencapaian metrik komputasi dan penerimaan positif dari para pengguna tersebut, aplikasi ini terbukti sangat layak dan efektif untuk diterapkan sebagai instrumen penyaringan awal yang transparan, objektif, serta murni berlandaskan data.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: ADDIE, Aplikasi Desktop, Klasifikasi Minat, K-Nearest Neighbour, Olimpiade Sains Nasional
Subjects: L Education > L Education (General)
Q Science > Q Science (General)
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Pendidikan Teknik Informatika (S1)
Depositing User: PANDE MADE DONI DWIPA ARISNAWAN
Date Deposited: 03 Aug 2026 00:00
Last Modified: 03 Aug 2026 00:00
URI: http://repo.undiksha.ac.id/id/eprint/31973

Actions (login required)

View Item View Item