Perbandingan Metode KNN dan Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Pada Mata Kuliah Probstat

Authors

  • Yuyun Nabilawati Rumbia Universitas Mulawarman
  • Raihanfitri Adi Kalipaksi Universitas Mulawarman
  • Alvito Gabbriel Saputra Universitas Mulawarman
  • Muhammad Dzacky Universitas Mulawarman
  • Alif Rifa’i Universitas Mulawarman
  • Anindita Septiarini Universitas Mulawarman
  • Novianti Puspitasari Universitas Mulawarman

DOI:

https://doi.org/10.35134/jpti.v12i1.228

Keywords:

k-nearest neighbor (KNN), naive bayes, data mining, klasifikasi kelulusan, probabilitas dan statistika

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma klasifikasi data mining, yaitu K-Nearest Neighbor (KNN) dan Naive Bayes, dalam mengklasifikasikan kelulusan mahasiswa pada mata kuliah Probabilitas dan Statistika angkatan 2022 Program Studi Informatika Universitas Mulawarman. Dataset yang digunakan merupakan data asli yang diberikan oleh dosen pengampu probas, terdiri atas 136 entri yang dibagi dengan rasio 70:30 menggunakan library Scikit-learn. Penelitian ini secara khusus menguji performa klasifikasi pada data numerik mentah tanpa melalui proses normalisasi. Metode KNN dan Naive Bayes dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score untuk mengukur tingkat keakuratan dalam memprediksi kelulusan mahasiswa. Hasil evaluasi menunjukkan bahwa KNN memiliki performa yang lebih unggul dibandingkan Naive Bayes dalam seluruh metrik pengujian. KNN memperoleh akurasi sebesar 94,87%, sementara Naive Bayes hanya mencapai 87,80%, sehingga dapat disimpulkan bahwa KNN lebih efektif dalam menangani klasifikasi pada data numerik yang tidak dinormalisasi.

References

Ahmad, N., Hafizh, S., & Sulthanah, R. (2024). Prediksi kelulusan mata kuliah mahasiswa Teknologi Informasi menggunakan algoritma K-Nearest Neighbor. Jurnal Manajemen Informatika (JAMIKA), 14(2), 135–149. https://doi.org/10.34010/jamika.v14i2.12454

Maulana, C. (2023). Pengembangan modul matakuliah statistika dan probabilitas berbasis kontekstual. Jurnal Pengembangan Rekayasa dan Teknologi, 7(1), 1–10. https://doi.org/10.26623/jprt.v19i1.7745

Rusmini, R., & Mazali, M. R. (2024). Peranan visual thinking berbasis computational thinking dalam penyelesaian masalah statistik dan probabilitas. Jurnal Cendekia: Jurnal Pendidikan Matematika, 8(2), 1342–1350. https://doi.org/10.31004/cendekia.v8i2.3304​

Shah, K., Shah, N., Sawant, V., & Parolia, N. (Eds.). (2023). Practical data mining techniques and applications (1st ed.). Auerbach Publications. https://doi.org/10.1201/9781003390220

Margareta Sari, A., Rosita, D., & Subastian, E. (2025). Pengembangan media pembelajaran menggunakan Lumio by Smart pada mata pelajaran TIK siswa kelas VII SMP Negeri 37 Samarinda. SABER: Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi, 3(2), 1–8. https://doi.org/10.59841/saber.v3i2.690​Amik Veteran Journal+3

Dijaya, R., & Setiawan, H. (2023). Buku ajar pengolahan citra digital. Umsida Press. https://doi.org/10.21070/2023/978-623-464-075-5​

vGonzalez, R. C., & Woods, R. E. (2008). Digital image processing (3rd ed.). Pearson Education. https://doi.org/10.5555/1076432

Martantoh, E., & Yanih, N. (2022). Implementasi metode Naïve Bayes untuk klasifikasi karakteristik kepribadian siswa di sekolah MTS Darussa’adah menggunakan PHP MySQL. Jurnal Teknologi dan Sistem Informasi, 3(2), 166–175. https://doi.org/10.33365/jtsi.v3i2.2896

Kurniawan, C., & Irsyad, H. (2022). Perbandingan metode K-Nearest Neighbor dan Naïve Bayes untuk klasifikasi gender berdasarkan mata. Jurnal Algoritme, 2(2), 82–91. https://doi.org/10.35957/algoritme.v2i2.2358

Yuliarina, A. N., & Hendry, H. (2022). Comparison of prediction analysis of GoFood service users using the KNN & Naive Bayes algorithm with RapidMiner software. Jurnal Teknik Informatika (JUTIF), 3(4), 847–856. https://doi.org/10.20884/1.jutif.2022.3.4.294​

Berton, F. T., Ratnawati, D. E., & Rahman, M. A. (2024). Perbandingan Naïve Bayes dan K-Nearest Neighbor untuk analisis sentimen terhadap ulasan aplikasi Threads. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(1), 1–10. https://doi.org/10.1234/jptiik.v8i1.14109

Pamungkas, W. A. B., & Asnawi, M. F. (2022). Studi komparasi algoritma Naive Bayes dan K-Nearest Neighbor untuk klasifikasi keluarga miskin di Desa Ngadiwarno Kecamatan Sukorejo Kabupaten Kendal. STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer, 3(2), 1–8. https://doi.org/10.55123/storage.v3i2.3600

Fahmi, M. N. (2023). Implementasi Machine Learning menggunakan Python Library: Scikit-Learn (Supervised dan Unsupervised Learning). Sains Data: Jurnal Studi Matematika dan Teknologi, 1(2), 87–96. https://doi.org/10.52620/sainsdata.v1i2.31

Cholil, S. R., Handayani, T., Prathivi, R., & Ardianita, T. (2021). Implementasi algoritma klasifikasi K-Nearest Neighbor (KNN) untuk klasifikasi seleksi penerima beasiswa. Indonesian Journal on Computer and Information Technology (IJCIT), 6(2), 118–127. https://doi.org/10.31294/ijcit.v6i2.10438​

Sari, D. P., & Ardika, I. K. (2022). Implementasi algoritma K-Nearest Neighbor untuk prediksi gizi buruk pada balita. Jurnal Teknologi dan Sistem Informasi, 3(2), 176–185. https://doi.org/10.33365/jtsi.v3i2.2897

Fauzi, A. (2025). Aplikasi sistem pakar dengan metode Naive Bayes untuk mendeteksi penyakit diabetes. Jurnal Manajemen Informatika (JAMIKA), 15(1). https://doi.org/10.34010/jamika.v15i1.12391

Yusnita, A., Lailiyah, S., & Saumahudi, K. (2021). Penerapan algoritma Naïve Bayes untuk penerimaan peserta didik baru. Jurnal Informatika Wicida, 10(1), 11–16. https://doi.org/10.46984/inf-wcd.1194

Prasetyo, V. R., Lazuardi, H., Mulyono, A. A., & Lauw, C. (2021). Penerapan aplikasi RapidMiner untuk prediksi nilai tukar rupiah terhadap US Dollar dengan metode linear regression. Jurnal Nasional Teknologi dan Sistem Informasi, 7(1), 8–17. https://doi.org/10.25077/TEKNOSI.v7i1.2021.8-17

Helmud, E., Fitriyani, F., & Romadiana, P. (2023). Classification comparison performance of supervised machine learning random forest and decision tree algorithms using confusion matrix. Jurnal Sisfokom (Sistem Informasi dan Komputer), 13(1), 39–45. https://doi.org/10.32736/sisfokom.v13i1.1985

Sathyanarayanan, S., & Tantri, B. R. (2024). Confusion Matrix-Based Performance Evaluation Metrics. African Journal of Biomedical Research, 27(4S). https://doi.org/10.4314/ajbr.v27i4s.4345

Malik, Y. (2024). Akurasi dan presisi analisis kadar nikel (Ni) pada sampel nikel laterit menggunakan X-Ray Fluorescence Spectometry (XRF). Sains: Jurnal Kimia dan Pendidikan Kimia, 12(2), 87–94. https://doi.org/10.47191/sains.v12i2.47

Nengsih, W. (2020). Analisa recall dan precision menggunakan VSM pada kasus text mining. InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, 5(1). https://doi.org/10.30743/infotekjar.v5i1.2663

Sani, R. R., Pratiwi, Y. A., Winarno, S., Udayanti, E. D., & Zami, F. A. (2022). Analisis perbandingan algoritma Naive Bayes Classifier dan Support Vector Machine untuk klasifikasi hoax pada berita online Indonesia. Jurnal Masyarakat Informatika (JMASIF), 13(2), 85–94. https://doi.org/10.14710/jmasif.13.2.2022.85-94

Downloads

Published

30-04-2025

How to Cite

Yuyun Nabilawati Rumbia, Raihanfitri Adi Kalipaksi, Alvito Gabbriel Saputra, Muhammad Dzacky, Alif Rifa’i, Septiarini, A., & Puspitasari, N. . (2025). Perbandingan Metode KNN dan Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Pada Mata Kuliah Probstat. JURNAL PTI (PENDIDIKAN DAN TEKNOLOGI INFORMASI) FAKULTAS KEGURUAN ILMU PENDIDIKAN UNIVERSITA PUTRA INDONESIA "YPTK&Quot; PADANG, 12(1), 7–13. https://doi.org/10.35134/jpti.v12i1.228

Issue

Vol. 12 (2025) No.1

Section

Articles

License

Copyright (c) 2025 JURNAL PTI (PENDIDIKAN DAN TEKNOLOGI INFORMASI) FAKULTAS KEGURUAN ILMU PENDIDIKAN UNIVERSITA PUTRA INDONESIA "YPTK" PADANG

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.