Penerapan Algoritma K-Nearest Neighbor Dan Naive Bayes Dalam Klasifikasi Minat Serta Gaya Belajar Mahasiswa

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan mahasiswa berdasarkan minat dan gaya belajar dengan menerapkan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes, serta membandingkan kinerja kedua algoritma tersebut. Data penelitian diperoleh melalui penyebaran kuesioner kepada 112 mahasiswa Program Studi Pendidikan Teknik Informatika dan Komputer di Institut Prima Bangsa dengan variabel yang mencakup minat belajar (pemrograman, desain grafis, jaringan komputer, dan lain-lain), gaya belajar (visual, auditori, dan kinestetik), durasi belajar, tingkat keaktifan organisasi, serta penggunaan perangkat pembelajaran. Pendekatan yang digunakan adalah pendekatan kuantitatif dengan tahapan data preprocessing (pembersihan, normalisasi, dan encoding), pembagian data menjadi 80% data latih dan 20% data uji, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma KNN memiliki akurasi yang lebih tinggi dibandingkan Naive Bayes, dengan capaian 70% pada klasifikasi gaya belajar dan 43% pada klasifikasi minat belajar, sedangkan Naive Bayes hanya mencapai 22% pada kedua jenis klasifikasi tersebut. Dengan demikian, algoritma KNN terbukti lebih konsisten dan efektif dalam mengelola data serta memberikan hasil klasifikasi yang lebih akurat terhadap minat dan gaya belajar mahasiswa.