<![CDATA[Abstrak - Prediksi kelulusan mahasiswa menjadi salah satu aspek penting dalam pengambilan keputusan akademik karena dapat membantu perguruan tinggi dalam mengidentifikasi potensi kelulusan mahasiswa secara lebih dini. Permasalahan yang dihadapi adalah belum optimalnya pemanfaatan data akademik dalam memprediksi kelulusan mahasiswa di Fakultas Sains dan Teknologi Universitas Cipasung Tasikmalaya. Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbor (KNN) dalam memprediksi kelulusan mahasiswa serta mengukur tingkat akurasi model yang dihasilkan. Metode penelitian yang digunakan adalah pendekatan kuantitatif berbasis data mining dengan algoritma KNN. Data penelitian diperoleh melalui observasi, wawancara, dan dokumentasi berupa data akademik mahasiswa yang meliputi nilai, jumlah SKS, dan variabel pendukung lainnya. Proses analisis dilakukan melalui tahapan preprocessing data, penentuan parameter K, pembagian data menjadi training data dan testing data, perhitungan jarak menggunakan Euclidean Distance, penentuan tetangga terdekat, hingga evaluasi model menggunakan metrik akurasi. Hasil dari penelitian ini adalah metode K-Nearest Neighbor (KNN) bisa digunakan dalam mengolah data akademik mahasiswa untuk memprediksi kelulusan dengan tingkat akurasi sebesar 87,27%. Penelitian ini dapat menghasilkan model prediksi kelulusan mahasiswa yang akurat, objektif, dan berbasis data sehingga dapat digunakan sebagai alat bantu dalam pengambilan keputusan akademik di lingkungan perguruan tinggi. Kata kunci : Data Mining; K-Nearest Neighbor; Prediksi Kelulusan; Mahasiswa; Akurasi; Abstract - Student graduation prediction is an important aspect of academic decision-making because it helps universities identify students’ graduation potential at an early stage. The main problem addressed in this study is the suboptimal utilization of academic data in predicting student graduation at the Faculty of Science and Technology, Universitas Cipasung Tasikmalaya. This study aims to implement the K-Nearest Neighbor (KNN) method to predict student graduation and measure the accuracy level of the resulting model. The research employed a quantitative approach based on data mining using the KNN algorithm. Research data were collected through observation, interviews, and documentation in the form of students’ academic records, including grades, completed credit units, and other supporting variables. Data analysis was conducted through several stages, namely data preprocessing, determination of the K parameter, division into training and testing datasets, distance calculation using Euclidean Distance, nearest-neighbor determination, and model evaluation using accuracy metrics. The results of this study are that the K-Nearest Neighbor (KNN) method can be used to process student academic data to predict graduation with an accuracy level of 87.27%. The expected result of this study is an accurate, objective, and data-driven student graduation prediction model that can be utilized as a supporting tool for academic decision-making in higher education institutions. Keywords: K-Nearest Neighbor; data mining; graduation prediction; students; accuracy;]]>
