Penerapan Metode K-Nearest Neighbors (KNN) untuk Prediksi Kelulusan Cepat Mahasiswa
Keywords:
K-Nearest Neighbors (KNN), prediksi kelulusan, Data Mining, klasifikasi, prestasi akademik, Orange Data MiningAbstract
Kelulusan cepat mahasiswa merupakan indikator penting keberhasilan institusi pendidikan. Penelitian ini bertujuan mengimplementasikan metode K-Nearest Neighbors (KNN) dalam memprediksi status kelulusan cepat mahasiswa. Pemanfaatan data mining membantu menganalisis faktor-faktor yang mempengaruhi kelulusan cepat untuk pengambilan keputusan yang tepat. Dataset yang digunakan meliputi variabel akademik (IPK) dan non-akademik (pelatihan pengembangan, prestasi, partisipasi forum kuliah, dan kegiatan organisasi)7. Tahapan penelitian mencakup pra-pemrosesan data, implementasi KNN dengan variasi nilai K, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model KNN mencapai akurasi sebesar 85%, dengan presisi 80%, recall 78%, dan F1-score 79%. Variabel pelatihan pengembangan dan prestasi memiliki pengaruh signifikan terhadap hasil prediksi.
References
Cover, T., & Hart, P. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 13(1), 21–27.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Burlington: Morgan Kaufmann Publishers.
Kaggle. (2023). Student Performance Dataset. Diakses dari https://www.kaggle.com/datasets.
Prasetyo, E. (2014). Data Mining: Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: Andi.
Rahmawati, S., & Nugroho, A. S. (2021). Analisis Prediksi Kelulusan Mahasiswa Menggunakan Algoritma KNN dan Decision Tree. Jurnal Informatika dan Sistem Informasi (JISI), 8(2), 134–141.
