Penerapan Metode K-Nearest Neighbor Dan Gini Index Pada Klasifikasi Kinerja Siswa

Abstract

Predicting student academic performance is one of the important applications in data mining in education. However, existing work is not enough to identify which factors will affect student performance. Information on academic values ​​or progress on student learning is not enough to be a factor in predicting student performance and helps students and educators to make improvements in learning and teaching. K-Nearest Neighbor is a simple method for classifying student performance, but K-Nearest Neighbor has problems in terms of high feature dimensions. To solve this problem, we need a method of selecting the Gini Index feature in reducing the high feature dimensions. Several experiments were conducted to obtain an optimal architecture and produce accurate classifications. The results of 10 experiments with values ​​of k (1 to 10) in the student performance dataset with the K-Nearest Neighbor method showed the highest average accuracy of 74.068 while the K-Nearest Neighbor and Gini Index methods showed the highest average accuracy of 76.516. From the results of these tests it can be concluded that the Gini Index is able to overcome the problem of high feature dimensions in K-Nearest Neighbor, so the application of the K-Nearest Neighbor and Gini Index can improve the accuracy of student performance classification better than using the K-Nearest Neighbor method.

Optimasi Cluster Pada K-Means Clustering Dengan Teknik Reduksi Dimensi Dataset Menggunakan Gini Index

“…Penelitian dari [9] meneliti tentang peningkatan kinerja K-Means menggunakan Rank Order Centroid (ROC) dan Braycurtis Distance dengan hasil yang diperoleh yaitu dengan menggunakan pengujian beberapa dataset memperoleh peningkatan kinerja setelah K-Means dikombinasikan dengan ROC dan Braycurtis Distance dibandingkan dengan K-Means Konvensional. Penelitian dari [10] yang melakukan kombinasi K-Nearest Neighbor dengan Gini Index untuk klasifikasi tingkat kognitif soal pada Taksonomi Bloom dengan hasil yang diperoleh yaitu Gini Index mampu mengurangi dimensi fitur yang tinggi, sehingga meningkatkan kinerja KNN dan meningkatkan tingkat akurasi klasifikasi tingkat kognitif soal pada Taksonomi Bloom dari akurasi 59.97 % menjadi 68.37 %. Penelitian dari [11] melakukan reduksi atribut dengan Gini Index pada K-Nearest Neighbor pada klasifikasi kinerja siswa dengan hasil yang diperoleh yaitu peningkatan akurasi K-NN setelah reduksi atribut dari 74.068 % menjadi 76.516 %.…”

“…Gini Index Gini Index merupakan probabilitas dari dua data yang dipilih secara acak yang memiliki class yang berbeda. Gini Index digunakan oleh Breiman pada tahun 2001 untuk menghasilkan pohon klasifikasi pada decision tree [10]. Misalkan S adalah 1 set dari sejumlah s data.…”