Prediksi Kelulusan Mahasiswa Universitas Sahid Surakarta Angkatan 2021 Menggunakan K-Nearest Neighbor

Andrianto, Rendhi and Retnoningsih, Dwi and Fitriyadi, Farid (2025) Prediksi Kelulusan Mahasiswa Universitas Sahid Surakarta Angkatan 2021 Menggunakan K-Nearest Neighbor. Skripsi thesis, Universitas Sahid Surakarta.

	Text RENDHI ANDRIANTO_Hal.Awal_2021061013.pdf Download (3MB)
	Text RENDHI ANDRIANTO_BAB I_2021061013.pdf Download (278kB)
	Text RENDHI ANDRIANTO BAB II_2021061013.pdf Download (441kB)
	Text RENDHI ANDRIANTO_BAB III_2021061013.pdf Restricted to Repository staff only Download (219kB) | Request a copy
	Text RENDHI ANDRIANTO_BAB IV_2021061013.pdf Restricted to Repository staff only Download (357kB) | Request a copy
	Text RENDHI ANDRIANTO_BAB V_2021061013.pdf Download (65kB)
	Text RENDHI ANDRIANTO_Daftra Pustaka_2021061013.pdf Download (293kB)
	Text RENDHI ANDRIANTO_Lampiran_2021061013.pdf Download (2MB)

Abstract

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.

Actions (login required)

View Item