Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Algoritma K-Nearest Neighbor (K-NN)

Tasya Parmi; Fitri Yunita

doi:10.31004/riggs.v5i2.10092

Authors

Tasya Parmi Universitas Islam Indragiri
Fitri Yunita Universitas Islam Indragiri

DOI:

https://doi.org/10.31004/riggs.v5i2.10092

Keywords:

Data Mining, K- Nearest Neighbor, Kelulusan Mahasiswa, Prediksi, RapidMiner

Abstract

Memprediksi ketepatan waktu kelulusan mahasiswa merupakan kebutuhan yang sangat penting namun belum banyak dieksplorasi dalam tata kelola pendidikan tinggi, terutama di perguruan tinggi yang mana keterlambatan penyelesaian studi menimbulkan dampak merugikan terhadap status akreditasi dan efektivitas institusi. Penelitian ini berupaya mengoperasionalkan algoritma K-Nearest Neighbor (K-NN) sebagai pendekatan klasifikasi selektif untuk memprediksi apakah mahasiswa yang terdaftar di program Sistem Informasi Universitas Islam Indragiri akan lulus dalam batas waktu yang ditentukan. Dengan memanfaatkan data 153 catatan mahasiswa yang mencakup nilai IPK, semester dan SKS dataset tersebut melalui prapemrosesan yang terstruktur yang mencakup pembersihan data dan normalisasi Min-Max Scaling, dilanjutkan dengan pemisahan bertingkat menjadi subset pelatihan dan pengujian dengan rasio 90:10 melalui 10-fold Cross Validation. Eksperimen membuktikan bahwa k = 7 menghasilkan keseimbangan klasifikasi yang paling optimal. Penilaian evaluatif melalui perincian Confussion Matrix dan analisis Kurva ROC membuktikan keakuratan selektif model, yang menghasilkan akurasi keseluruhan sebesar 99,33%, recall 100% untuk kelompok lulusan tepat waktu, presisi 98,33%, dan skor F1 sebesar 99,09% , Area Under the Curve (AUC) mencapai nilai 0,990, yang mengonfirmasi potensi klasifikasi yang kuat dan ambang batas “sangat baik”. Temuan ini menegaskan bahwa K-NN merupakan mekanisme yang efisien secara komputasi dan dapat diandalkan secara epistemologis untuk memprediksi risiko kegagalan kelulusan sejak dini, sehingga memberikan landasan informasi yang dapat ditindaklanjuti kepada pengelola akademik guna melakukan intervensi yang tepat waktu dan meningkatkan indikator akreditasi institusi.

Downloads

Download data is not yet available.

References

E. F. Wati, E. S. Perangin-angin, and A. P. Sari, “Prediction of Student Graduation using the K-Nearest Neighbors Method,” vol. 7, no. 158, pp. 211–216, 2023, doi: https://doi.org/10.30645/ijistech.v7i3.318.

2. C. Romero and S. Ventura, “Educational Data mining and Learning Analytics : An updated survey,” vol. 10, no. 3, 2020, doi: p. e1355, 2020, doi: 10.1002/widm.1355.

3. E. Ahmed, “Student Performance Prediction Using Machine Learning Algorithms,” Appl. Comput. Intell. Soft Comput., vol. 2024, 2024, doi: 10.1155/2024/4067721.

4. K. Okoye, J. T. Nganji, J. Escamilla, and S. Hosseini, “Computers and Education : Artificial Intelligence Machine learning model ( RG-DMML ) and ensemble algorithm for prediction of students ’ retention and graduation in education,” Comput. Educ. Artif. Intell., vol. 6, no. January, p. 100205, 2024, doi: 10.1016/j.caeai.2024.100205.

5. D. A. Enggar Novianto, Arief Hermawan, “Klasifikasi Algoritma K-Nearest Neighbor, Naive Bayes, Decision Tree Untuk Prediksi Status Kelulusan Mahasiswa S1,” vol. 8, no. 2, pp. 146–154, 2023, doi: https://doi.org/10.36341/rabit.v8i2.3434.

6. A. Putri, C. S. Hardiana, E. Novfuja, F. Try, and P. Siregar, “Comparison of K-NN , Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction Komparasi Algoritma K-NN , Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” vol. 3, no. April, pp. 20–26, 2023, doi: https://doi.org/10.57152/malcom.v3i1.610.

7. E. S. Rachardian Seprima, “Prediksi Kelulusan Tepat Waktu Mahasiswa Untuk Pemantauan Program Studi Menggunakan Metode Data Mining,” vol. 21, no. 2, pp. 168–182, 2024, doi: https://doi.org/10.24246/aiti.v21i2.168-182.

8. S. Sarker, M. K. Paul, S. Tasnimul, H. Thasin, and A. M. Hasan, “Analyzing students academic performance using educational data mining,” Comput. Educ. Artif. Intell., vol. 7, no. December 2023, p. 100263, 2024, doi: 10.1016/j.caeai.2024.100263.

9. D. Safitri, S. S. Hilabi, and F. Nurapriani, “Analisis penggunaan algoritma klasifikasi dalam prediksi kelulusan menggunakan orange data mining,” vol. 8, no. 1, pp. 75–81, 2023, doi: 10.36341/rabit.v8i1.3009.

10. N. Hidayati and A. Hermawan, “K-Nearest Neighbor ( K-NN ) algorithm with Euclidean and Manhattan in classification of student graduation,” vol. 2, no. 2, pp. 86–91, 2021, doi: 10.21831/jeatech.v2i2.42777.

11. J. Zeniarja et al., “Seleksi Fitur dan Perbandingan Algoritma Klasifikasi untuk Prediksi Kelulusan Mahasiswa,” vol. 18, no. 2, pp. 102–108, 2022, doi: 10.17529/jre.v18i2.24047.

12. D. Y. Sari and J. Wang, “K-Nearest Neighbors ( K-NN ) Algorithm Model in Predicting the Graduation Rate of Teacher Professional Education Students in Indonesia,” vol. 4, no. August, pp. 291–310, 2024, doi: 10.47134/ijsl.v4i3.277.

13. H. S. M. Zaehol Fatah, “Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Memprediksi Kelulusan Mahasiswa Menggunakan RapidMiner,” Jamastika, vol. 4, 2025, doi: 10.35473/jamastika.v4i2.4482.

14. S. C. Matz, C. S. Bukow, H. Peters, C. Deacons, A. Dinu, and C. Stachl, “Using machine learning to predict student retention from socio ‑ demographic characteristics and app ‑ based engagement metrics,” Sci. Rep., pp. 1–16, 2023, doi: 10.1038/s41598-023-32484-w.

15. [M. R. Firmansyah and Y. P. Astuti, “Stroke Classification Comparison with KNN through Standardization and Normalization Techniques,” vol. 6, no. 1, pp. 1–8, 2024, doi: 10.26877/asset.v6i1.17685.

16. J. J. Valero-mas, C. Penarrubia, F. J. Castellanos, J. Gallego, and J. Calvo-zaragoza, “Insights into imbalance-aware Multilabel Prototype Generation mechanisms for ???? -Nearest Neighbor classification in noisy scenarios,” Pattern Recognit., vol. 169, no. June 2025, p. 111884, 2026, doi: 10.1016/j.patcog.2025.111884.

17. S. Amandha, H. Rohayani, K. Kurniawansyah, S. Teknologi, and Jambi, “Implementation of Data Mining for Predicting Student Graduation Using the K-Nearest Neighbor Algorithm at Jambi Muhammadiyah University,” vol. 7, no. 1, pp. 134–140, 2024, doi: 10.24014/ijaidm.v26150.

18. L. Lavazza, S. Morasca, and G. Rotoloni, “Software Defect Prediction evaluation : New metrics based on the ROC curve,” Inf. Softw. Technol., vol. 187, no. April 2024, p. 107865, 2025, doi: 10.1016/j.infsof.2025.107865.