Publication Search

This study aims to analyze the factors that influence students' interest in continuing their education to college using a machine learning approach. Data was collected through an online questionnaire completed by 727 students between July 27 and August 22, 2025, covering 23 variables consisting of respondent identity (gender, grade level, major) as well as internal and external factors such as parental support, learning motivation, and preferred type of college. The data preparation stage was carried out through column cleaning, deletion of empty data, encoding of categorical variables, and division of the dataset into 80% training data and 20% test data. The Naive Bayes algorithm of the CategoricalNB type was used because it was suitable for the categorical nature of the data. The evaluation results showed that the model was able to predict student interest with 96% accuracy. For the class of students interested in continuing their studies, the precision, recall, and F1-score values were above 0.95, while the performance in the class of students who were not interested was slightly lower due to the smaller amount of data. These findings show that Naive Bayes is proven to be effective and reliable in classifying students' interest in continuing their studies and can be the basis for decision-making in designing more targeted educational strategies.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.

Tidak sedikit mahasiswa yang salah mengambil jurusan karena kaget dengan pekerjaan yang terlalu berat, materi yang kurang cocok serta tugas yang menumpuk. Simulasi ini bertujuan untuk dapat mengembangkan sistem pendukung keputusan pemilihan jurusan untuk siswa yang ingin berkuliah atau membantu guru Bimbingan konseling (BK) dalam mengarahkan para siswanya sehingga siswa semakin yakin dengan pilihan jurusannya. Metode Simple Additive Weight merupakan salah satu algoritma pengambilan keputusan dengan memberikan bobot pada setiap pertanyaan yang diberikan. Metode ini dapat membantu memprediksi jurusan untuk siswa yang ingin berkuliah khususnya anak SMA kelas 12 tanpa membebankan anak untuk mendapatkan nilai dari yang dia dapat tetapi dari minat dan bakat yang sangat di sukai anak tersebut.