Implementasi Data Mining Pada Penilaian Kinerja Guru Menggunakan Metode K-Nearest Neighbor (K-Nn) Studi Kasus pada Mi Alfagiri Silo-Jember

Abstract

MI Alfa Giri Pace Silo Jember, Jawa Timur adalah sebuah Madrasah Ibtida'iyah yang terletak di Jember, Jawa Timur. Madrasah ini berupaya memberikan siswa pendidikan formal yang mengikuti kurikulum nasional dan pendidikan agama Islam yang kuat. MI Alfagiri Pace Silo Jember menyediakan lingkungan ramah belajar  dan fasilitas yang mendukung pengembangan potensi akademik dan spiritual siswa secara holistik. Dengan penekanan pada pengembangan karakter dan kecerdasan spiritual. MI Alfagiri merupakan salah satu lembaga swasta  di Desa Pace, Kecamatan Silo yang setiap tahunnya menyelenggarakan Penilaian Kinerja Guru (PKG) untuk meningkatkan mutu pendidikan. Untuk itu MI Alfagiri merupakan lembaga yang senantiasa mendorong pengembangan profesionalisme guru dan meningkatkan kualitas tenaga pengajar Hal ini bertujuan untuk mengetahui kapasitas mengajar guru di sekolah tersebut. Evaluasi hasil mengajar guru tidak hanya untuk mengetahui kapasitas guru, namun juga merupakan bentuk evaluasi tahunan. Evaluasi hasil mengajar guru merupakan hal yang penting dalam rangka meningkatkan kualitas guru itu sendiri. Penilaian kinerja dapat dilakukan dengan menggunakan metode atau sistem supaya mendapatkan hasil yang lebih akurat dan lebih terperinci. Diantaranya yaitu Pengimplementasian data mining menggunakan metode K-Nearest Neighbor (KNN). Algoritma K-Nearest Neighbor (KNN) adalah algoritma machine learning yang bersifat non-parametric dan lazy learning. Metode yang bersifat non-parametric memiliki makna bahwa metode tersebut tidak membuat asumsi apa pun tentang distribusi data yang mendasarinya. Dengan kata lain, tidak ada jumlah parameter atau estimasi parameter yang tetap dalam model, terlepas data tersebut berukuran kecil ataupun besar. Algoritma K-Nearest Neighbor (KNN) merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data yang memiliki jarak paling dekat dengan objek tersebut. Tujuan dari algoritma k-nearest  adalah untuk mengidentifikasi tetangga terdekat dari titik kueri tertentu sehingga kita dapat menetapkan label kelas pada titik tersebut. Algoritma ini hanya melakukan penyimpanan dan klasifikasi data. Misalnya pada tahap klasifikasi, fitur serupa dihitung untuk menguji data (mengklasifikasikan data yang tidak diketahui).