Analisis Kinerja Algoritma K-Nearest Neighbor dalam Prediksi Kelulusan Berdasarkan Data Akademik Menggunakan Python

Maulana Fansyuri; Devi Yunita

doi:10.69693/ijmst.v4i2.10814

Authors

Maulana Fansyuri Universitas Pamulang
Devi Yunita Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i2.10814

Keywords:

K-Nearest Neighbor, Klasifikasi Kelulusan, Data Mining, Data Akademik, Python

Abstract

Prediksi kelulusan merupakan salah satu upaya yang dapat dilakukan untuk mendukung pengambilan keputusan dalam bidang pendidikan, khususnya dalam mengidentifikasi peserta didik yang berpotensi mengalami kendala dalam mencapai hasil akademik yang optimal. Pemanfaatan data akademik yang tersimpan dalam jumlah besar memungkinkan penerapan teknik data mining untuk menemukan pola dan hubungan antarvariabel yang berkaitan dengan keberhasilan studi. Penelitian ini bertujuan untuk menganalisis kinerja algoritma K-Nearest Neighbor (KNN) dalam memprediksi status kelulusan berdasarkan data akademik menggunakan bahasa pemrograman Python. Dataset yang digunakan adalah Student Performance Dataset yang diperoleh dari platform Kaggle dan dipublikasikan oleh Ghada Alaa ElSayed pada Januari 2026. Dataset terdiri dari 25.000 record dengan 16 atribut yang mencakup informasi demografi, aktivitas belajar, tingkat kehadiran, serta capaian akademik. Sebelum proses klasifikasi dilakukan, data melalui tahapan preprocessing yang meliputi pembentukan label kelulusan, data cleaning, label encoding, normalisasi data menggunakan metode Min-Max Scaling, serta pembagian data menjadi data latih dan data uji dengan proporsi 80:20. Model KNN dibangun menggunakan pustaka Scikit-Learn dan diuji menggunakan beberapa nilai parameter K dalam rentang 1 hingga 20 untuk memperoleh konfigurasi model terbaik. Evaluasi kinerja model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa nilai parameter terbaik diperoleh pada K=1 dengan tingkat akurasi sebesar 95,20%. Selain itu, model menghasilkan nilai Precision sebesar 93%, Recall sebesar 93%, dan F1-Score sebesar 93%. Hasil tersebut menunjukkan bahwa algoritma K-Nearest Neighbor memiliki kemampuan yang baik dalam mengklasifikasikan status kelulusan berdasarkan data akademik. Dengan tingkat akurasi yang tinggi dan performa klasifikasi yang stabil, model yang dihasilkan berpotensi digunakan sebagai alat pendukung dalam proses pemantauan, evaluasi, dan pengambilan keputusan yang berkaitan dengan pencapaian akademik.

References

Afriliansyah, T. (2023). ALGORITMA ANN , KNN , NAIVE BAYES , SVM DAN DECISION. Jurnal Pendidikan Bumi Persada, 2(November).

Agustin, K., & Insany, G. P. (2026). BULLETIN OF COMPUTER SCIENCE RESEARCH Prediksi Minat Belajar Siswa Berdasarkan Nilai Dan Intensitas Bermain Game Menggunakan Algoritma K-Nearest Neighbor. BULLETIN OF COMPUTER SCIENCE RESEARCH, 6(3), 996–1004. https://doi.org/10.47065/bulletincsr.v6i3.949

Aidil, W., Hasibuan, B., Wijoyo, S. H., & Amalia, F. (2025). Prediksi Karier Mahasiswa Pendidikan Teknologi Informasi Berdasarkan IP Semester dan SKS Menggunakan Algoritme K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(7), 1–10.

Andi, N., Dewi, Z., & Rilvani, E. (2025). Prediksi Tingkat Keterlambatan Pengumpulan Tugas Mahasiswa Berdasarkan Aktivitas Perkuliahan Menggunakan Algoritma K-Nearest Neighbor ( KNN ). Jurnal Rekayasa Teknologi Nusa Putra, 11(2), 103–110.

Chresto Friedrich Tumbilung, R. E. (2025). PREDIKSI RISIKO DROP OUT MAHASISWA MENGGUNAKAN MODEL MACHINE LEARNING BERBASIS DATA AKADEMIK ( Studi Kasus : Universitas XYZ ). JTIK (Jurnal Teknologi Informasi Dan Komunikasi), 16(2), 176–183.

Fansyuri, M., & Yunita, D. (2023). Implementasi K-Nearest Neighbor Untuk Klasifikasi Jenis Kelamin Berdasarkan Analisis Citra Wajah. Klik, 3(6), 1208–1216. https://doi.org/10.30865/klik.v3i6.827

Fakih, A., Hamzami, M. A., Hadianto, M. R., & Shafira, N. I. (2025). Perbandingan Akurasi Algoritma C4 . 5 dan K-NN Untuk Prediksi. Jurnal Komputer Antartika, 3(c), 18–25.

Maulana Fansyuri, & Hariansyah, O. (2020). Pengenalan Objek Bunga dengan Ekstraksi Fitur Warna dan Bentuk Menggunakan Metode Morfologi dan Naïve Bayes. Jurnal Sistem Dan Informatika (JSI), 15(1), 70–80. https://doi.org/10.30864/jsi.v15i1.338

Muhammad Fahrino Haykal Febrian, Wiwit Agus Triyanto, D. L. F. (2025). Perbandingan kinerja knn dan. RABIT : Jurnal Teknologi Dan Sistem Informasi Univrab, 10(2), 887–897.

Oktavia, U., Permatasari, R., Shudiq, W. J., & Jasri, M. (2024). Prediksi Kelayakan Mahasiswa sebagai Penerima Beasiswa Bank Indonesia pada Tahap Seleksi Administrasi di Universitas Nurul Jadid Menggunakan Algoritma K Nearest Neighbor. Journal of Electrical Engineering and Computer (JEECOM), xx(xx), 252–260. https://doi.org/10.33650/jeecom.v4i2

Prasetyawan, D., & Gatra, R. (2022). Algoritma K-Nearest Neighbor untuk Memprediksi Prestasi Mahasiswa Berdasarkan Latar Belakang Pendidikan dan Ekonomi. JISKA (Jurnal Informatika Sunan Kalijaga), 7(1), 56–67.

Putri, U. S., Taryo, T., & Hindasyah, A. (2025). Analisis Pemetaan Kemampuan Akademik Mahasiswa Program Studi Teknik Informatika Dengan Metode Naive Bayes Classifier Dan K- Nearest Neighbor ( KNN ) ( Studi Kasus : Universitas Pamulang ). Jurnal Sains Dan Teknologi, 7(1), 24–31.

Resa Swastyani, H. S. (2025). PERBANDINGAN ALGORITMA KLASIFIKASI K-NN DENGAN VARIASI JARAK , NAIVE BAYES , LOGISTIC REGRESSION , DAN DECISION TREE. JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 7057–7064.

Rumbia, Y. N., Kalipaksi, R. A., & Saputra, A. G. (2025). Perbandingan Metode KNN dan Naive Bayes untuk Klasifikasi Kelulusan Mahasiswa Pada Mata Kuliah Probstat. Jurnal PTI (Jurnal Pendidikan Teknologi Informasi), 12, 7–13. https://doi.org/10.35134/jpti.v12i1.228

Sains, F., Radjah, A. S., Rada, Y., Dewi, S., Bertha, N., Studi, P., Informatika, T., Sains, F., Teknologi, D., & Wira, U. K. (2025). MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Prediction of Graduation of Information Technology Students at Wira Wacana Christian University Using the K-Nearest Neighbor Algorithm mahasiswa yang diterima dan yang lulus tepat waktu di Program Studi Teknik Info. SATI: Sustainable Agricultural Technology Innovation, 64–73.

Salnan Ratih Asriningtias, Dwi Utari Surya, Eka Ratri Noor Wulandari, Mochamad Dimas Putra Hermawan , Rifqi Alfiansyah Kamil, D. K. (2025). PEMODELAN PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA D3. Jurnal Teknik Elektro Dan Informatika, 20, 63–73.

Wahyuni, U. I., Kurniawan, R., Informasi, S. S., Islam, U., Sumatera, N., & Medan, U. (2025). Algoritma K-Nearest Neighbor Classification Sebagai Pengelompokan Kemampuan Akademik Siswa Berbasis Web Sistem. Jurnal Pendidikan Teknologi Informasi, 5(2), 589–600.

Wibisono, J., Suharsono, A., & Wijoyo, S. H. (2017). PERBANDINGAN KINERJA METODE NAIVE BAYES DAN K- NEAREST NEIGHBOR UNTUK KLASIFIKASI PEKERJAAN BERDASARKAN NILAI MATA KULIAH ( STUDI KASUS : ALUMNI PROGRAM STUDI PENDIDIKAN TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BRAWIJAYA ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(1), 1–9.