<![CDATA[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.]]>
Copyrights © 2025
