Penerapan Algoritma K-Nearest Neighbor untuk Klasifikasi Judul Tugas Akhir Mahasiswa Program Studi Sistem Informasi UINSU Medan
DOI:
https://doi.org/10.26418/jp.v11i3.101542Keywords:
Digital Enterprise, K-Nearest Neighbor, Klasifikasi Judul, Pembelajaran Mesin, Software DevelopmentAbstract
Dalam melakukan penelitian dan penulisan skripsi, tentunya memerlukan referensi dari sumber yang sesuai dan relevan. Pada konteks Program Studi Sistem Informasi UINSU Medan, klasifikasi judul tugas akhir mahasiswa merupakan salah satu aspek yang memerlukan perhatian khusus. Judul tugas akhir alumni disatukan dalam direktori yang sama pada situs resmi Program Studi Sistem Informasi. Maka dari itu, algoritma K-Nearest Neighbor (KNN) diterapkan dalam mengklasifikasikan judul-judul tugas akhir tersebut. Data yang diklasifikasikan pada penelitian ini berjumlah 996 judul tugas akhir mahasiswa angkatan 2015-2021. Model KNN bertujuan untuk mengklasifikasikan judul tugas akhir ke dalam bidang Software Development dan Digital Enterprise dengan bahasa pemrograman Pyhton dan tools Google Colab. Pelabelan dilakukan setelah preprocessing teks pada judul tugas akhir yang mencakup proses cleaning, case folding atau lowercasing, filtering atau stopword removal, dan stemming. Diperoleh sebanyak 636 judul berlabel Software Development, sementara 360 judul berlabel Digital Enterprise. Pengujian dilakukan dengan rasio pembagian data 80:20 dan variasi nilai k 3, 5, 7, dan 9. Hasil penelitian menunjukkan bahwa model KNN dengan nilai k=5 memberikan akurasi terbaik, yaitu sebesar 80,50%, precision 80,22%, recall 80,50%, dan f1-score 79,67% walaupun terdapat ketidakseimbangan jumlah data antar kelas. Dengan demikian, algoritma KNN terbukti efektif dalam klasifikasi judul tugas akhir dan nilai k=5 merupakan parameter optimal.References
W. M. P. Duhita, M. F. K. Darmawan, L. Triana, and N. Ankisqiantari, “Perbandingan Algoritma Supervised Learning untuk Klasifikasi Judul Skripsi Berdasarkan Bidang Dosen,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 2, pp. 427–437, 2022, doi: https://doi.org/10.28932/jutisi.v8i2.4960.
Enjelina and V. P. Rantung, “Penerapan Algoritma K-Nearest Neighbor Untuk Clustering Kebutuhan Obat Berdasarkan Mutasi Laporan Bulanan Pada Dinas Kesehatan Kabupaten Minahasa,” INNOVATIVE: Journal Of Social Science Research, vol. 3, no. 6, pp. 6834–6841, 2023.
A. P. Wibowo, Widiyono, A. Saifudin, S. A. Darmawan, and E. Budihartono, “Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir,” Smart Comp, pp. 661–667, 2022, doi: https://doi.org/10.30591/smartcomp.v11i4.4251.
R. G. Dalimunthe and R. A. Putri, “Pemetaan Topik Tugas Akhir Program Studi Ilmu Komputer Menggunakan Algoritma Latent Dirichlet Allocation,” Journal of Computer System and Informatics (JoSYC), vol. 5, no. 4, pp. 921–932, Aug. 2024, doi: https://doi.org/10.47065/josyc.v5i4.5759.
I. S. Wibowo, A. Witanti, and I. Susilawati, “Keyword Extraction Judul Berita Online Di Indonesia Menggunakan Metode TF-IDF,” Jurnal Teknik Informatika dan Sistem Informas, vol. 11, no. 1, pp. 99–111, Mar. 2024, doi: https://doi.org/10.35957/jatisi.v11i1.6718.
A. Setiawan, A. T. Prastowo, and D. Darwis, “Sistem Monitoring Keberadaan Posisi Mobil Berbasis Gps Dan Penyadap Suara Menggunkan Smartphone,” Jurnal Teknik dan Sistem Komputer, vol. 3, no. 1, pp. 35–44, 2022, doi: https://doi.org/10.33365/jtikom.v3i1.1644.
Y. S. Nugraha, U. Darusalam, and A. Iskandar, “Implementasi Algoritma Genetika pada Perancangan Aplikasi Penjadwalan Instalasi Antivirus Berbasis Website menggunakan Metode Waterfall,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 6, no. 1, pp. 125–137, 2022, doi: https://doi.org/10.35870/jtik.v6i1.417.
R. Ramadhan, Y. A. Sari, and P. P. Adikara, “Perbandingan Pembobotan Term Frequency-Inverse Document Frequency dan Term Frequency-Relevance Frequency terhadap Fitur N-Gram pada Analisis Sentimen,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 11, pp. 5075–5079, 2021.
K. Umam, Algoritma dan Pemrograman Komputer dengan Python. Pamekasan: Duta Media Publishing, 2021.
R. G. Guntara, “Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7,” Jurnal Teknologi Dan Sistem Informasi Bisni, vol. 5, no. 1, pp. 55–60, 2023.
I. J. T. Gurning, P. P. Adikara, and R. S. Perdana, “Analisis Sentimen Dokumen Twitter menggunakan Metode Naïve Bayes dengan Seleksi Fitur GU Metric,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 5, pp. 2169–2177, 2023.
H. Al Azies and G. Anuraga, “Classification of underdeveloped areas in Indonesia using the SVM and k-NN algorithms,” Jurnal Ilmu Dasar, vol. 22, no. 1, pp. 31–38, 2021, doi: https://doi.org/10.19184/jid.v22i1.16928.
S. Nauli, S. S. Berutu, H. Budiati, and F. Maedjaja, “Klasifikasi Kalimat Perundungan pada Twitter Menggunakan Algoritma Support Vector Machine,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 107–122, Mar. 2025, doi: https://doi.org/10.29100/jipi.v10i1.5749.
T. B. A. Tokan, D. J. Manehat, Y. C. H. Siki, E. Ngaga, and S. D. B. Mau, “Perbandingan Metode Naïve Bayes dan K-Nearest Neighbor Terhadap Sentimen Analisis Pinjaman Online,” JURNAL MEDIA INFORMATIKA [JUMIN], vol. 6, no. 3, pp. 1614–1622, 2025, doi: https://doi.org/10.55338/jumin.v6i3.5687.
R. A. Sitorus and I. Zufria, “Application of the Naïve Bayes Algorithm in Sentiment Analysis of Using the Shopee Application on the Play Store,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 15, no. 1, pp. 53–65, May 2024, doi: https://doi.org/10.31849/digitalzone.v15i1.19828.
N. Pamungkas et al., “Comparison of Stemming Test Results of Tala Algorithms with Nazief Adriani in Abstract Documents and National News,” Inform : Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 8, no. 1, pp. 33–41, Jan. 2023, doi: https://doi.org/10.25139/inform.v8i1.5569.
