Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Firgilius Bili
Universitas Stella Maris Sumba
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Penilaian Portofolio Potensi Siswa Menggunakan Metode K-Nearst Neighbor Firgilius Bili; Friden Elefri Neno; Sihang Gregorius Bali Mema
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.14473

Abstract

Penilaian potensi siswa merupakan aspek penting dalam pendidikan untuk mengidentifikasi kemampuan akademik dan nonakademik secara sistematis. Namun, penilaian portofolio yang melibatkan berbagai indikator memerlukan pendekatan analitis untuk membantu proses klasifikasi potensi siswa secara terukur. Penelitian ini bertujuan menganalisis penerapan algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan potensi siswa berdasarkan atribut penilaian portofolio. Dataset yang digunakan terdiri atas 100 data simulasi dengan lima atribut prediktor, yaitu nilai akademik, prestasi, keterampilan, kreativitas, dan kedisiplinan. Variabel target dikelompokkan menjadi tiga kategori, yaitu tinggi, sedang, dan rendah. Tahapan penelitian meliputi pemeriksaan kelengkapan data, preprocessing, normalisasi menggunakan Min-Max Scaling, pembagian data pelatihan dan pengujian dengan rasio 80:20, perhitungan jarak Euclidean, klasifikasi KNN, serta evaluasi model. Pengujian dilakukan menggunakan metrik accuracy, precision, recall, Macro-F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 95%, Macro-Precision sebesar 96,67%, Macro-Recall sebesar 95,24%, dan Macro-F1-score sebesar 95,68%. Berdasarkan confusion matrix, sebanyak 19 dari 20 data pengujian diklasifikasikan dengan benar, sedangkan satu data berkategori tinggi diprediksi sebagai sedang. Hasil ini menunjukkan bahwa KNN mampu mempelajari pola klasifikasi pada dataset simulasi yang digunakan. Namun, karena label target dibentuk berdasarkan rata-rata atribut prediktor yang sama, hasil tersebut belum membuktikan validitas identifikasi potensi siswa dalam kondisi nyata. Penelitian selanjutnya perlu menggunakan data portofolio aktual, rubrik penilaian tervalidasi, dan pembandingan algoritma untuk menguji generalisasi
Co-Authors Neno, Friden Elefri Sihang Gregorius Bali Mema