Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Tasya Parmi
Universitas Islam Indragiri
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Algoritma K-Nearest Neighbor (K-NN) Tasya Parmi; Fitri Yunita
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.10092

Abstract

Memprediksi ketepatan waktu kelulusan mahasiswa merupakan kebutuhan yang sangat penting namun belum banyak dieksplorasi dalam tata kelola pendidikan tinggi, terutama di perguruan tinggi yang mana keterlambatan penyelesaian studi menimbulkan dampak merugikan terhadap status akreditasi dan efektivitas institusi. Penelitian ini berupaya mengoperasionalkan algoritma K-Nearest Neighbor (K-NN) sebagai pendekatan klasifikasi selektif untuk memprediksi apakah mahasiswa yang terdaftar di program Sistem Informasi Universitas Islam Indragiri akan lulus dalam batas waktu yang ditentukan. Dengan memanfaatkan data 153 catatan mahasiswa yang mencakup nilai IPK, semester dan SKS dataset tersebut melalui prapemrosesan yang terstruktur yang mencakup pembersihan data dan normalisasi Min-Max Scaling, dilanjutkan dengan pemisahan bertingkat menjadi subset pelatihan dan pengujian dengan rasio 90:10 melalui 10-fold Cross Validation. Eksperimen membuktikan bahwa k = 7 menghasilkan keseimbangan klasifikasi yang paling optimal. Penilaian evaluatif melalui perincian Confussion Matrix dan analisis Kurva ROC membuktikan keakuratan selektif model, yang menghasilkan akurasi keseluruhan sebesar 99,33%, recall 100% untuk kelompok lulusan tepat waktu, presisi 98,33%, dan skor F1 sebesar 99,09% , Area Under the Curve (AUC) mencapai nilai 0,990, yang mengonfirmasi potensi klasifikasi yang kuat dan ambang batas “sangat baik”. Temuan ini menegaskan bahwa K-NN merupakan mekanisme yang efisien secara komputasi dan dapat diandalkan secara epistemologis untuk memprediksi risiko kegagalan kelulusan sejak dini, sehingga memberikan landasan informasi yang dapat ditindaklanjuti kepada pengelola akademik guna melakukan intervensi yang tepat waktu dan meningkatkan indikator akreditasi institusi.
Co-Authors Fitri Yunita