PREDIKSI KELULUSAN MAHASISWA UNIVERSITAS SAHID SURAKARTA ANGKATAN 2021 MENGGUNAKAN K-NEAREST NEIGHBOR

Abstrak

Tingkat kelulusan mahasiswa menjadi indikator penting dalam menilai kualitas sebuah institusi pendidikan tinggi. Universitas Sahid Surakarta menghadapi tantangan fluktuasi jumlah kelulusan dari tahun ke tahun.  Hal ini mendorong perlunya sistem prediksi untuk membantu pengambilan keputusan akademik. Penelitian ini bertujuan untuk memprediksi kelulusan tepat waktu mahasiswa Universitas Sahid Surakarta angkatan 2021 menggunakan algoritma K-Nearest Neighbor (K-NN). Data yang digunakan meliputi nilai IPK dan jumlah SKS sebagai fitur utama dalam proses prediksi. Tahapan penelitian mengikuti metode Knowledge Discovery in Database (KDD) dengan pre-processing data meliputi pembersihan data, pemilihan fitur relevan, dan pemberian label kelulusan berdasarkan kriteria IPK ≥ 3.00 dan SKS ≥ 144. Model K-NN dibangun dengan parameter k = 5 dan menggunakan jarak Euclidean untuk menghitung kedekatan antar data. Evaluasi model menunjukkan hasil recall sebesar 97% untuk kategori lulus tepat waktu dan 92% untuk kategori tidak lulus tepat waktu. Hasil penelitian ini diharapkan dapat membantu pihak universitas dalam mengidentifikasi mahasiswa yang berpotensi tidak lulus tepat waktu sehingga dapat dilakukan intervensi lebih awal. Saran untuk penelitian selanjutnya adalah melakukan perbandingan dengan algoritma lain seperti Decision Tree, Naive Bayes, atau Random Forest untuk menemukan metode prediksi yang paling optimal.

The graduation rate of students is an important indicator in assessing the quality of a higher education institution. Sahid University Surakarta faces the challenge of fluctuations in the number of graduates from year to year. This highlights the need for a prediction system to assist in academic decision-making. This study aims to predict the timely graduation of Sahid Surakarta University students from the 2021 cohort using the K-Nearest Neighbor (K-NN) algorithm. The data used includes GPA and credit hours as the main features in the prediction process. The research process followed the Knowledge Discovery in Database (KDD) method, with data pre-processing including data cleaning, selection of relevant features, and labeling of graduation based on the criteria of GPA ≥ 3.00 and SKS ≥ 144. The K-NN model was built with a parameter of k = 5 and used Euclidean distance to calculate the proximity between data points. Model evaluation showed a recall rate of 97% for the on-time graduation category and 92% for the non-on-time graduation category. The results of this study are expected to assist the university in identifying students at risk of not graduating on time, enabling earlier intervention. Recommendations for future research include comparing the K-NN model with other algorithms such as Decision Tree, Naive Bayes, or Random Forest to identify the most optimal prediction method.