Implementasi Algoritma K-Nearest Neighbor dan Naive Bayes dalam Memprediksi Status Seleksi pada PPDB

Abstrak

Abstrak, Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam memprediksi status seleksi Penerimaan Peserta Didik Baru (PPDB) tingkat Sekolah Menengah Pertama (SMP) di Kabupaten Cianjur. PPDB merupakan agenda tahunan yang penting dalam menentukan transisi pendidikan siswa ke jenjang yang lebih tinggi. Namun, proses seleksi sering kali menimbulkan kendala, terutama karena keterbatasan informasi dan subjektivitas dalam pengambilan keputusan oleh calon siswa maupun orang tua. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan data historis pendaftar dari 20 SMP Negeri di Kabupaten Cianjur. Proses penelitian meliputi tahap pengumpulan data, preprocessing, penerapan algoritma KNN dan Naive Bayes, hingga evaluasi menggunakan Confusion Matrix. Hasil implementasi menunjukkan bahwa kedua algoritma mampu memprediksi status diterima atau tidak diterimanya siswa melalui jalur zonasi dan jalur prestasi dengan tingkat akurasi di atas 85%. Naive Bayes memiliki keunggulan dari sisi kecepatan komputasi, sedangkan KNN unggul dalam fleksibilitas penanganan variasi data. Sistem prediksi yang dibangun diharapkan mampu membantu siswa dan orang tua dalam menentukan sekolah tujuan secara lebih objektif, serta menjadi alat bantu bagi pihak sekolah dan dinas pendidikan dalam memberikan rekomendasi berbasis data. Temuan penelitian ini juga memperkuat hasil studi terdahulu yang menegaskan potensi data mining sebagai pendekatan efektif dalam mendukung proses seleksi pendidikan.