<![CDATA[Penelitian ini bertujuan untuk memprediksi kesibukan siswa berdasarkan Nilai IPK (Indeks Prestasi Kumulatif) menggunakan algoritma K-Nearest Neighbors (KNN). Prestasi akademik, yang tercermin dalam IPK, merupakan indikator penting yang mempengaruhi kesibukan siswa dalam aktivitas belajar serta keterlibatan mereka dalam kegiatan ekstrakurikuler. Penelitian ini menggunakan dataset yang mencakup 500 rekaman siswa, dengan atribut seperti jam belajar per minggu, tingkat kehadiran, partisipasi dalam kegiatan ekstrakurikuler, jenis kelamin, dan informasi demografis lainnya. Algoritma KNN diterapkan untuk menganalisis data dan membangun model prediktif yang dapat digunakan untuk mengidentifikasi tingkat kesibukan siswa. Akurasi model diuji melalui teknik validasi silang untuk memastikan keandalannya. Hasil awal menunjukkan bahwa faktor-faktor seperti jam belajar dan tingkat kehadiran memiliki hubungan signifikan dengan tingkat kesibukan siswa. Penelitian ini menyoroti potensi algoritma KNN dalam konteks pendidikan, memberikan wawasan berharga bagi pendidik untuk mendukung siswa yang mungkin memerlukan perhatian lebih. Selain itu, penelitian ini membuka peluang untuk penelitian lebih lanjut guna meningkatkan akurasi prediksi dan merancang intervensi yang lebih efektif.]]>
Copyrights © 2025
