<![CDATA[Kinerja akademik siswa merupakan indikator penting keberhasilan belajar, namun penilaian konvensional sering kali belum optimal dalam memanfaatkan data kebiasaan dan gaya hidup siswa. Penelitian ini bertujuan untuk mengklasifikasikan nilai ujian siswa (Rendah, Sedang, Tinggi) berdasarkan kebiasaan belajar menggunakan algoritma K-Nearest Neighbor (kNN) dan Support Vector Machine (SVM), serta membandingkan performa keduanya. Data sebanyak 1000 entri siswa dari Kaggle.com diolah melalui tahap pra-pemrosesan yang meliputi diskritisasi nilai ujian menjadi kategori dan pemilihan fitur yang relevan, seperti jam belajar, persentase kehadiran, waktu tidur, dan peringkat kesehatan mental. Pembagian data dilakukan dengan random sampling (90% training dan 10% testing) yang diulang 10 kali. Hasil evaluasi menunjukkan kNN dengan N=10 mencapai akurasi tertinggi 0.982. Sementara itu, SVM dengan kernel Linear memperoleh akurasi 0.974 , diikuti RBF dengan 0.939 , dan Polynomial dengan 0.946 , sedangkan kernel Sigmoid hanya 0.712. Performa terbaik kNN (N=10) lebih lanjut dikonfirmasi melalui confusion matrix, menunjukkan tingkat kesalahan klasifikasi yang sangat rendah dan prediksi yang konsisten. Penelitian ini menyimpulkan bahwa algoritma k-NN, khususnya dengan N=10, adalah pendekatan yang paling akurat dan efektif untuk klasifikasi nilai ujian berdasarkan kebiasaan siswa, mendukung pihak sekolah dalam prediksi dan perencanaan pendidikan yang lebih baik.]]>
Copyrights © 2025
