Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Klasifikasi Biner
DOI:
https://doi.org/10.47701/gpqsm502Keywords:
Prediksi Kelulusan, K-Nearest Neighbors, IPS, Data Mining, Oversampling, Pendidikan TinggiAbstract
Penelitian ini bertujuan mengembangkan model prediksi kelulusan mahasiswa menggunakan algoritma K-Nearest Neighbor (KNN). Permasalahan yang diangkat adalah ketidakpastian dalam meramalkan kelulusan berdasarkan data historis akademik, khususnya Indeks Prestasi Semester (IPS). Penelitian berfokus pada pembangunan model klasifikasi biner yang dapat mengidentifikasi status kelulusan mahasiswa guna mendukung deteksi dini risiko akademik. Dataset yang digunakan terdiri dari 519 data mahasiswa Program Studi Teknologi Informasi, dengan atribut berupa nilai IPS semester 1 hingga 8, serta label target berupa status kelulusan. Karena terdapat ketidakseimbangan antar kelas, diterapkan Random Over Sampling (ROS) untuk menyeimbangkan distribusi sebelum pelatihan model. Data kemudian dinormalisasi dan dibagi menjadi data latih dan data uji. Algoritma KNN digunakan dengan parameter k = 5, yang mengklasifikasikan label berdasarkan mayoritas tetangga terdekat. Hasil pengujian menunjukkan bahwa model KNN mampu memberikan akurasi prediksi sebesar 90%, menandakan bahwa pendekatan berbasis data mining ini efektif untuk mendukung evaluasi dan pengelolaan akademik di lingkungan pendidikan tinggi.
References
[1] D. P. Sari, S. S. Hilabi, and A. Hananto, “Penerapan Data Mining Metode K-Nearest Neighbor Untuk Memprediksi Kelulusan Siswa Sekolah Menengah Pertama,” SMARTICS J., vol. 9, no. 1, pp. 14–19, 2023, doi: 10.21067/smartics.v9i1.8088.
[2] A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
[3] N. Hidayati and A. Hermawan, “K-Nearest Neighbor (K-NN) Algorithm with Euclidean and Manhattan in Classification of Student Graduation,” J. Eng. Appl. Technol., vol. 2, no. 2, pp. 86–91, 2021, doi: 10.21831/jeatech.v2i2.42777.
[4] A. Sanjaya and T. Wahyana, “Penerapan Metode K-Nearest Neighbour Untuk Sistem Prediksi Kelulusan Siswa MTs Nurul Muslimin Berbasis Website,” J. Transform. Mandalika, vol. 3, no. 1, pp. 31–47, 2022, [Online]. Available: https://www.ojs. cahayamandalika.com/index.php/jtm/article/view/866%0Ahttps://www.ojs.cahayamandalika.com/index.php/jtm/article/download/866/863
[5] 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, [Online]. Available: https://pdfs.semantic scholar.org/dfaf/77cfd511957000cafb74eb4e24e7775f05c2.pdf
[6] N. Ahmad, S. Hafizh, and R. Sulthanah, “Prediksi Kelulusan Mata Kuliah Mahasiswa Teknologi Informasi Menggunakan Algoritma K-Nearest Neighbor,” J. Manaj. Inform., vol. 14, no. 2, pp. 135–149, 2024, doi: 10.34010/jamika.v14i2.12454.
[7] I. P. . Tafonao and A. F. K. Sibero, “Teknik Klasifikasi Prediksi Kelulusan Mahasiswa Sistem Informasi Universitas Sari Mutiara Indonesia Menggunakan K- Nearest Neighbors,” J. Mahajana Inf., vol. 7, no. 1, pp. 83–90, 2022, doi: 10.51544/jurnalmi.v7i1.2956.
[8] E. Novianto, A. Hermawan, and D. Avianto, “Klasifikasi Algoritma K-Nearest Neighbor, Naive Bayes, Decision Tree Untuk Prediksi Status Kelulusan Mahasiswa S1,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 8, no. 2, pp. 146–154, 2023, doi: 10.36341/rabit.v8i2.3434.
[9] M. Wati, W. H. Rahmah, N. Novirasari, Haviluddin, E. Budiman, and Islamiyah, “Analysis K-Means Clustering to Predicting Student Graduation,” J. Phys. Conf. Ser., vol. 1844, no. 1, pp. 1–8, 2021, doi: 10.1088/1742-6596/1844/1/012028.
[10] S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.
