NALWI, AGIL (2025) PERBANDINGAN ALGORITMA K-NEAREST NEIGHBORS (KNN) DAN NAIVE BAYES DALAM MENGKLASIFIKASI PEMAHAMAN SISWA KELAS X PADA PELAJARAN MATEMATIKA (STUDI KASUS SMK AL-HADIID 1 CILEUNGSI). S1 thesis, Universitas Mercu Buana - Buncit.
|
Text (COVER)
41520010075 - Agil Nalwi - 01 Cover.pdf Download (350kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB 1)
41520010075 - Agil Nalwi - 02 BAB 1.pdf Restricted to Registered users only Download (67kB) |
|
|
Text (BAB 2)
41520010075 - Agil Nalwi - 03 BAB 2.pdf Restricted to Registered users only Download (164kB) |
|
|
Text (BAB 3)
41520010075 - Agil Nalwi - 04 BAB 3.pdf Restricted to Registered users only Download (94kB) |
|
|
Text (BAB 4)
41520010075 - Agil Nalwi - 05 BAB 4.pdf Restricted to Registered users only Download (369kB) |
|
|
Text (BAB 5)
41520010075 - Agil Nalwi - 06 BAB 5.pdf Restricted to Registered users only Download (29kB) |
|
|
Text (DAFTAR PUSTAKA)
41520010075 - Agil Nalwi - 07 Daftar Pustaka.pdf Restricted to Registered users only Download (84kB) |
|
|
Text (LAMPIRAN)
41520010075 - Agil Nalwi - 08 Lampiran.pdf Restricted to Registered users only Download (1MB) |
Abstract
Analisis komparatif algoritma K-Nearest Neighbor (KNN) dan Naive Bayes digunakan dalam penelitian ini untuk mengklasifikasikan tingkat pemahaman matematika siswa kelas X di SMK Al-Hadiid 1 Cileungsi. Data yang digunakan pada penelitian ini meliputi nilai tugas, UTS, dan UAS dari 135 siswa, yang dikategorikan ke dalam tiga tingkat pemahaman yaitu Paham, Cukup Paham, dan Tidak Paham. Penelitian ini mengevaluasi kinerja algoritma berdasarkan nilai skor akurasi, presisi, recall, dan F1-score dengan menggunakan metode pembagian data latih dan melakukan uji dengan rasio 90:10, 80:20, 70:30, 60:40, dan 50:50. Hasil menunjukkan bahwa Naive Bayes memiliki akurasi tertinggi sebesar 92,86% pada rasio data latih dan uji 90:10, Namun pada rata-rata akurasi algoritma K-Nearest Neighbor (KNN) memperoleh 84,10%, sedikit lebih unggul dari Naive Bayes yaitu sebesar 83,93% pada semua skala pembagian data, karena K-Nearest Neighbor (KNN) lebih konsisten di berbagai rasio pembagian data, sementara Naive Bayes memberikan hasil terbaik dengan data latih yang lebih besar. Dengan melihat proses yang sudah dilakukan, dapat disimpulkan bahwa kedua algoritma memiliki keunggulan masing-masing, dan rasio pembagian data ideal adalah 70:30 atau 60:40 untuk mencapai kinerja optimal. Penelitian ini memainkan peran yang cukup penting dalam penerapan teknologi machine learning untuk mendukung analisis data pendidikan, khususnya dalam memahami dan meningkatkan pemahaman siswa tentang pembelajaran matematika.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41520010075 |
| Uncontrolled Keywords: | Klasifikasi, K-Nearest Neighbor, Naive Bayes, Pemahaman Siswa, Matematika |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | Rifky |
| Date Deposited: | 15 Feb 2025 03:39 |
| Last Modified: | 15 Feb 2025 03:39 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/94253 |
Actions (login required)
 |
View Item |
