Penerapan Algoritma K-Nn untuk Klasifikasi Gamers Usia Sekolah
Abstrak
Di zaman yang serba canggih sekarang ini, kita pasti tidak asing lagi dengan yang namanya
smartphone atau game mobile. Hampir di semua kalangan usia saat ini dapat memainkan game
mobile yang terdiri dari berbagai macam jenis permainan. Di kalangan anak-anak usia sekolah
di lingkungan Sekolah Kristen Kalam Kudus, kecanduan terhadap game online telah mulai
mempengaruhi pencapaian akademik. Dampak negatif yang terjadi pada Siswa-siswi sekolah
Kristen Kalam Kudus lebih banyak dari pada dampak positif. Untuk itu perlu dilakukan
klasifikasi terhadap siswa sekolah Kristen Kalam Kudus untuk mengetahui sejauh mana game
online turut memberi pengaruh terhadap keseharian dan pencapaian prestasi akademik siswa.
Untuk mengetahui itu, ilmu data mining sangat cocok digunakan. Data mining merupakan
sebuah ilmu dasar yang dapat membantu melahirkan informasi dari data yang ada. Algoritma
klasifikasi k-Nearest Neighbor (k-NN) merupakan salah satu algoritma yang terdapat dalam
data mining.
Unduhan
Referensi
Konseling, “Pengaruh Intensitas Bermain Game Online
Terhadap Perilaku Prokrastinasi Akademik Pada
Mahasiswa Bimbingan Dan Konseling Universitas Pgri
Yogyakarta,†J. Konseling GUSJIGANG, vol. 3, no. 1,
p. 98, 2017.
[2] R. N. Nasution, “DAMPAK POSITIF DAN NEGATIF
PERMAINAN GAME ONLINE DIKALANGAN
PELAJAR,†vol. 3, no. 2, pp. 54–67, 2015.
[3] M. Ulfa, “Pengaruh Kecanduan Game Online Terhadap
Perilaku Remaja di Mabes Game Center Jalan
HR.Subrantas Kecamatan Tampan Pekanbaru,†Jom .
Fisip, vol. 4, no. Pengaruh Kecanduan Game Online,
pp. 1–13, 2017.
[4] D. Jollyta et al., “Open Access Decision Tree and Chi-
Square Analysis to Determine Student ’ s Criteria
Choosing Study Program,†vol. 7, no. 10, pp. 12–20,
2018.
[5] H. Hamsa et al, “Student Academic Performance
Prediction Model Using Decision Tree and Fuzzy
Genetic Algorithm,†Procedia Technol., vol. 25, pp.
326–332, 2016.
[6] D. Jollyta et al, “Analysis of Slow Moving Goods
Classification Technique : Random Forest and Naïve
Bayes,†vol. 5, no. 2, pp. 134–139, 2019.
[7] N. H. Niloy et al, “Naïve Bayesian Classifier and
Classification Trees for the Predictive Accuracy of
Probability of Default Credit Card Clients,†vol. 3, no.
1, pp. 1–12, 2018.
[8] B. Lowe et al, “M ULTISPECTRAL I MAGE A
NALYSIS U SING R ANDOM,†vol. 6, no. 1, pp. 1–
14, 2015.
[9] W. E. Nurjanah et al, “Analisis Sentimen Terhadap
Tayangan Televisi Berdasarkan Opini Masyarakat pada
Media Sosial Twitter menggunakan Metode K-Nearest
Neighbor dan Pembobotan Jumlah Retweet,†J.
Pengemb. Teknol. Inf. dan Ilmu Komput. Univ.
Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017.
