Penerapan Algoritma k-Nearest Neighbor untuk Prediksi Kinerja Akademik Mahasiswa

Abstract

Kinerja akademik mahasiswa merupakan indikator penting dalam evaluasi mutu pembelajaran dan keberhasilan studi di perguruan tinggi. Pemanfaatan data akademik secara optimal diperlukan untuk mendukung pengambilan keputusan akademik yang lebih objektif dan berbasis data. Penelitian ini bertujuan untuk menerapkan algoritma k-Nearest Neighbor (k-NN) dalam memprediksi kategori kinerja akademik mahasiswa berdasarkan kemiripan data akademik historis. Penelitian ini menggunakan pendekatan kuantitatif dengan metode klasifikasi, melibatkan empat fitur utama, yaitu IPK terakhir, jumlah SKS yang telah ditempuh, rata-rata nilai mata kuliah inti, dan jumlah mata kuliah mengulang. Dataset yang digunakan terdiri dari sepuluh data latih mahasiswa yang telah diklasifikasikan ke dalam kategori kinerja akademik tinggi, sedang, dan rendah, serta satu data uji sebagai kasus baru. Proses klasifikasi dilakukan menggunakan jarak Euclidean dengan nilai parameter k = 3. Hasil penelitian menunjukkan bahwa algoritma k-NN mampu mengklasifikasikan kinerja akademik mahasiswa secara efektif, di mana data uji dikategorikan ke dalam kinerja akademik rendah berdasarkan mayoritas kelas tetangga terdekat. Temuan ini menunjukkan bahwa algoritma k-NN memiliki potensi untuk diterapkan sebagai dasar pengembangan sistem pendukung keputusan akademik, khususnya untuk deteksi dini mahasiswa yang berisiko mengalami penurunan kinerja akademik