Klasifikasi Tujuan Penggunaan AI Oleh Mahasiswa Dengan Algoritma K-Nearst Neighbor
Abstract
Artificial intelligence (AI) technology is developing rapidly, particularly through platforms like ChatGPT and Gemini AI, which are widely used by students for various purposes. This fact highlights the importance of a more in-depth analysis of students' AI usage patterns. This study aims to classify the purposes of AI use by students using the K-Nearest Neighbor (K-NN) algorithm. The study was conducted using two classification approaches: multi-class classification and binary classification. Data were obtained from questionnaires with 305 respondents and processed using Python on the Google Colab platform using preprocessing, normalization, and data encoding stages. Test results show that the K-NN algorithm achieved a high accuracy of 77% in the binary classification scenario (Productive/Career and Entertainment/Personal), while in the multi-class classification scenario the highest accuracy only reached 34%. This finding indicates that K-NN performance is strongly influenced by the complexity of the number of classes and is more optimally applied to classifications with a limited number of classes.
Keywords: K-Nearest Neighbor; AI usage classification; students; Binary Classification; Multi-class Classification.
Abstrak
Teknologi kecerdasan buatan ataupun Artificial Intelligence (AI) berkembang pesat, terutama melalui platform seperti ChatGPT dan Gemini AI yang banyak digunakan oleh mahasiswa untuk berbagai tujuan. Fakta ini menunjukkan pentingnya analisis yang lebih mendalam mengenai pola penggunaan AI oleh mahasiswa. Penelitian ini bertujuan untuk mengklasifikasikan tujuan penggunaan AI oleh mahasiswa memakai algoritma K-Nearest Neighbor (K-NN). Penelitian dilakukan melalui dua pendekatan klasifikasi, yaitu multi-class classification dan binary classification. Data didapatkan dari kuesioner terhadap 305 responden dan diolah memakai Python pada platform Google Colab menggunakan tahap pra-pemrosesan, normalisasi, dan pengkodean data. Hasil pengujian menunjukan algoritma K-NN mencapai akurasi tinggi yaitu 77% pada skenario klasifikasi biner (Produktif/Karir dan Hiburan/Personal), sementara pada skenario klasifikasi multi-kelas akurasi tertinggi hanya mencapai 34%. Temuan ini menandakan bahwa kinerja K-NN sangat dipengaruhi oleh kompleksitas jumlah kelas dan lebih optimal diterapkan pada klasifikasi dengan jumlah kelas yang terbatas.
Keywords
References
H. Johnston, R. F. Wells, E. M. Shanks, T. Boey, and B. N. Parsons, “Student perspectives on the use of generative artificial intelligence technologies in higher education,” Int. J. Educ. Integr., vol. 20, no. 1, pp. 1–21, 2024, doi: 10.1007/s40979-024-00149-4.
Y. S. Yasmine and R. Hikmawan, “ChatGPT sebagai Alat Bantu dalam Penulisan Karya Ilmiah Mahasiswa: Analisis Keterlibatan dan Kreativitas,” Edumatic J. Pendidik. Inform., vol. 9, no. 1, pp. 99–108, 2025, doi: 10.29408/edumatic.v9i1.29496.
M. A. Hakim and P. Gunawan, “Implementasi Algoritma K-Nearest Neighbors untuk Menganalisis Pendapat Pakar AI tentang Kemajuan Kecerdasan Buatan,” vol. 5, no. 2, pp. 1245–1258, 2024, doi: 10.37445/cisa.v6i2.456.
Y. Reswan, R. Toyib, H. Witriyono, and A. Anggraini, “Klasifikasi Tingkat Kematangan Buah Nanas Berdasarkan Fitur Warna Menggunakan Metode K-Nearest Neighbor (KNN),” J. Media Infotama, vol. 20, no. 1, pp. 280–287, 2024.
Ismail; Nurhikma Arifin; Prihastinur, “Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna Menggunakan Algoritma Multi-Class Support Vector Machine,” JINTEKS (Jurnal Inform. Teknol. dan Sains), vol. 5, no. 1, pp. 121–126, 2023,doi: 10.51401/jinteks.v5i1.2203.
Y. I. F. Y. R. F. S. ‘Uyun, “Klasifikasi Citra Eurosat Menggunakan Algoritma Knn ,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7754–7761, 2024, doi: 10.36040/jati.v8i4.10458.
R. F. S. Rahmadani, “Performance Comparison Analysis of Classifiers on Binary Classification Dataset,” Indones. J. Data Sci., vol. 4, no. 2, pp. 45–54, 2023, doi: 10.56705/ijodas.v4i2.77.
I. Setiaji and V. Lusiana, “Uji akurasi Metode KNN dan Citra HSI dalam Mengklasifikasi Batik Solo Berdasarkan Motif,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 12, no. 3, p. 1013, 2023, doi: 10.35889/jutisi.v12i3.1377.
F. Fathoni, D. Khoiriyah Harahap, E. Theresia Pardede, S. Nachwa, M. Ramadhani Maulizidan, and A. Ibrahim, “Komparasi Kinerja Knn Dan Naïve Bayes Untuk Klasifikasi Sentimen Pengguna Aplikasi Deepseek Ai,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 4, pp. 6021–6028, 2025, doi: 10.36040/jati.v9i4.13887.
M. P. Kotakode, E. E. Fitriani, and W. Yustanti, “Perbandingan Kinerja Metode Problem Transformation- KNN dan Algorithm Adaptation-KNN pada Klasifikasi,” vol. 03, no. 03, pp. 122–130, 2022.
R. Situmorang et al., “Model Algoritma K-Nearest Neighbor ( K-Nn ) Dan Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 250–254, 2023, doi: 10.36040/jati.v7i1.6342.
A. Y. A. E. U. A. Yaqin, “Klasifikasi Konsentrasi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” Infotek J. Inform. dan Teknol., vol. 7, no. 2, pp. 618–682, 2024, doi: 10.29408/jit.v7i2.27084.
N. R. G. V. T. E. P. E. P. P. Y. S. Ritonga, “Studi Komparasi Algoritma Decision Tree C4 . 5 dan K-Nearest Neighbor pada Klasifikasi Masa Studi dan Tingkat Stres Mahasiswa,” JUTISI J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 3, pp. 1776–1785, 2024, doi: 10.35889/jutisi.v13i3.2272.
D. N. C. A. M. S. R. Rahmat, “Klasifikasi Kelayakan Siswa dalam Menentukan Kelas Unggulan Menggunakan Algoritma,” Sci. Student J. Information, Technol. Sci., vol. 3, no. 1, pp. 51–58, 2022.
M. H. M. P. M. B. R. W. Hadinata, “Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi FoMO Pengguna Media Sosial,” J. Ilm. Komput., vol. 21, no.2,pp.422-433,2025,doi:https://ojs.stmikbanjarbaru.ac.id/index.php/progresif/ article/view/2784.
How To Cite This :
Refbacks
- There are currently no refbacks.
