Klasifikasi Kelulusan Mahasiswa dengan KNN Berbasis Data Akademik

Abstract

Kelulusan tepat waktu merupakan salah satu indikator efektivitas proses akademik dan dapat didukung melalui identifikasi dini mahasiswa yang berisiko mengalami keterlambatan studi. Penelitian ini mengevaluasi algoritma K-Nearest Neighbor (KNN) untuk klasifikasi biner status kelulusan mahasiswa berdasarkan rekam akademik. Naskah sumber melaporkan 540 data lulusan valid dari program studi Manajemen, Sistem Informasi, dan Ilmu Komputer, dengan variabel akademik berupa indeks prestasi kumulatif (IPK), tahun masuk, tahun lulus, dan jumlah SKS lulus. Status kelulusan ditetapkan tepat waktu apabila masa studi tidak melebihi empat tahun. Implementasi yang terdokumentasi meliputi pembersihan data, transformasi StandardScaler, Synthetic Minority Over-sampling Technique (SMOTE), pembagian data 80:20, serta GridSearchCV dengan validasi silang lima lipatan untuk memilih nilai K pada rentang 1-30. Eksperimen yang konsisten pada bagian hasil memilih K=1 dengan rerata akurasi validasi silang 90,97%. Pada 161 data uji, model mengklasifikasikan 148 observasi secara benar dan menghasilkan akurasi 91,93%, macro-precision 92,10%, macro-recall 91,91%, dan macro-F1 91,91%. Hasil tersebut menunjukkan KNN mampu memisahkan dua kelas kelulusan dengan baik pada dataset yang dilaporkan. Namun, karena scaling dan SMOTE pada alur yang terdokumentasi dilakukan sebelum pemisahan data latih dan uji, performa tersebut perlu ditafsirkan secara hati-hati karena berpotensi mengalami kebocoran informasi. Validasi lanjutan perlu menempatkan scaling dan SMOTE hanya pada data latih atau di dalam setiap fold validasi silang serta mempertahankan data uji yang benar-benar tidak tersentuh sebelum model digunakan sebagai sistem pendukung keputusan akademik.