METODE HYBIRD DALAM PENGELOMPOKKAN KEMAMPUAN CALISTUNG SISWA BERBASIS MACHINE LEARNING

AMANDA SALSABILA (2025) METODE HYBIRD DALAM PENGELOMPOKKAN KEMAMPUAN CALISTUNG SISWA BERBASIS MACHINE LEARNING. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_55201_2102020001.pdf Download (32MB)

Abstract

ABSTRAK Kemampuan calistung (membaca, menulis, dan berhitung) merupakan dasar penting dalam perkembangan akademik siswa sekolah dasar. Penelitian ini bertujuan untuk mengelompokkan kemampuan calistung siswa dengan menggunakan metode hybrid berbasis machine learning. Data yang digunakan berupa nilai kemampuan membaca, menulis, dan berhitung siswa dari dua Sekolah Dasar di Kota Lubuklinggau. Metode hybrid yang diterapkan dalam penelitian ini menggabungkan algoritma K-Means Clustering untuk pengelompokan awal dengan algoritma K-Nearest Neighbors (KNN) untuk proses klasifikasi. Proses analisis meliputi tahap preprocessing data, implementai algoritma K-Means, validasi klaster, serta klasifikasi menggunakan K-Nearest Neighbors (KNN) untuk memastikan akurasi hasil pengelompokan. Penelitian ini menunjukkan bahwa clustering menggunakan K-Means berhasil mengelompokkan siswa berdasarkan nilai mereka, yang dapat digunakan untuk analisis lebih lanjut dalam pendidikan, menghasilkan 3 klaster nilai yaitu Menengah(0), Rendah (1), dan Tinggi (2).Setelah itu, pada pengujuan model klasifikasi K-Nearest Neighbors (KNN) dengan k=3 yamg memiliki akurasi tertinggai yaitu 95% memberikan akurasi pada pengujian model klasifikasi K-Nearest Neighbors (KNN) yang sangat baik dengan akurasi 97%, Prescision cluster 0 sebesar 97%, cluster 1 sebesar 100%, cluster 2 sebesar 96%. Recall cluster 0 sebesar 97%, cluster 1 sebesar 93%, cluster 2 sebesar 99%. F1-Score cluster 0 sebesar 97%, cluster 1 sebesar 96%, cluster 2 sebesar 98% dalam klasifikasi data siswa yng dikategorikan “sangat baik”. Kata kunci: Metode Hybird, K-Means Clustering, K-Nearest Neighbors (KNN), Kemampuan Calistung Siswa

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	30 Mar 2026 10:11
Last Modified:	30 Mar 2026 10:11
URI:	https://eprints.univbinainsan.ac.id/id/eprint/651

Actions (login required)

View Item