Perbandingan Algoritma K-Nearest Neighbor dan Random Forest dalam Prediksi Kelulusan Mahasiswa Mahasiswa Universitas Muhammadiyah Jakarta

Abstract

Kelulusan mahasiswa tepat waktu menjadi salah satu indikator utamakeberhasilan institusi pendidikan tinggi. Universitas Muhammadiyah Jakarta terus berupaya meningkatkan angka kelulusan tepat waktumelalui analisis dan pemantauan akademik. Meskipun demikian, berbagai tantangan seperti rendahnya Indeks Prestasi Kumulatif(IPK), jumlah SKS yang tidak mencukupi, tingkat kehadiranperkuliahan yang rendah, dan lamanya durasi penyelesaian tugasakhir menjadi penyebab utama keterlambatan kelulusan. Penelitianini bertujuan membangun model prediksi kelulusan mahasiswamenggunakan algoritma K-Nearest Neighbor (KNN). Data yang dianalisis meliputi IPK, jumlah SKS yang telah ditempuh, tingkatkehadiran, nilai mata kuliah inti, serta durasi penyelesaian tugasakhir. Algoritma KNN diterapkan dengan pengujian parameter K (3, 5, 7) dan metrik jarak Euclidean. Hasil penelitian menunjukkanbahwa model dengan K=5 memberikan tingkat akurasi tertinggisebesar 86%. Faktor IPK, jumlah SKS yang telah ditempuh, dan durasi penyelesaian tugas akhir ditemukan sebagai variabel dominanyang memengaruhi kelulusan mahasiswa. Model prediksi inimemungkinkan Universitas Muhammadiyah Jakarta untukmengidentifikasi mahasiswa yang berisiko terlambat lulus sehinggadapat merancang intervensi yang tepat. Pengembangan lebih lanjutdapat mencakup integrasi variabel non-akademik, seperti partisipasiorganisasi, status pekerjaan mahasiswa, motivasi belajar, dan faktorsosial lainnya, untuk meningkatkan akurasi prediksi. Dengandemikian, model ini diharapkan menjadi alat penting dalammeningkatkan keberhasilan akademik, efisiensi pendidikan, dan reputasi institusi secara keseluruhan.