<![CDATA[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]]>
Copyrights © 2026
