Implementasi SVM dan KNN pada Sistem Penunjang Keputusan Kenaikan Pangkat Guru

Abstract

Kenaikan pangkat guru merupakan salah satu elemen kunci dalam pengembangan karir dan peningkatan kualitas pendidikan. Proses kenaikan pangkat ini tidak hanya sebagai bentuk penghargaan atas prestasi dan kompetensi guru, tetapi juga sebagai alat motivasi yang dapat mendorong peningkatan kinerja para pendidik. Namun, proses kenaikan pangkat sering kali menghadapi berbagai kendala, salah satunya adalah penggunaan metode manual dalam pengolahan data dan evaluasi kinerja guru. Proses manual ini memerlukan waktu yang lama, rumit, tidak akurat serta keputusan yang tidak tepat.. Penelitian ini bertujuan untuk mengembangkan sebuah Sistem Pendukung Keputusan (SPK) yang memanfaatkan metode pembelajaran mesin untuk membantu proses penentuan kelayakan kenaikan pangkat guru secara otomatis. Dua metode pembelajaran mesin yang diimplementasikan dalam penelitian ini adalah Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Sistem ini dirancang untuk mengolah data kinerja, kompetensi, dan kualifikasi guru dari data historis yang tersedia, dengan tujuan menghasilkan keputusan yang lebih objektif, akurat, dan dapat diandalkan dalam proses kenaikan pangkat. Studi kasus penelitian ini dilakukan di sekolah dengan menggunakan data historis kinerja dan pencapaian guru selama beberapa periode. Data yang terkumpul kemudian dianalisis dan diolah menggunakan menghasilkan dua guru diklasifikasikan tidak naik dan satu naik, dengan guru 14 diklasifikasikan tidak naik. algoritma SVM dan KNN. Metode SVM digunakan karena kemampuannya dalam menangani data dengan dimensi yang tinggi dan memberikan margin pemisahan terbaik antara kelas-kelas data, sementara KNN dipilih karena kemampuannya dalam melakukan klasifikasi berdasarkan kemiripan data, sehingga dapat memberikan hasil prediksi yang lebih adaptif terhadap perubahan data. Hasil pengujian menunjukkan bahwa pada data pengujian 1, hasil jarak euclidean menunjukkan nilai 123125, 93914, dan 115639. dari klasifikasi ini, dua guru dinyatakan tidak naik dan satu naik, dengan guru sampel guru 12 diklasifikasikan tidak naik. pada data pengujian 2, jarak terdekat adalah 188190, 156090, dan 178140, menghasilkan dua guru diklasifikasikan naik dan satu tidak naik, dengan guru 13 diklasifikasikan naik. sementara itu, pada data pengujian 3, nilai euclidean terdekat adalah 70145, 58492, dan 78222.