<![CDATA[Penelitian ini bertujuan untuk menerapkan metode ensemble learning pada algoritma K-Nearest Neighbor (KNN) dan Decision Tree guna memprediksi kelulusan mahasiswa tepat waktu di STP Reinha Larantuka. Prediksi dilakukan berdasarkan data akademik dan demografis mahasiswa. Selain itu, penelitian ini juga bertujuan untuk mengetahui tingkat akurasi, presisi, recall, F1-score, dan ROC-AUC dari model prediksi yang dibangun. Metode penelitian yang digunakan bersifat sistematis dengan pendekatan kuantitatif, melalui pengumpulan data primer dan sekunder. Sampel data yang digunakan berjumlah 52 mahasiswa yang terbagi ke dalam data latih (training) dan data uji (testing). Analisis dilakukan menggunakan aplikasi RapidMiner. Hasil klasifikasi dengan algoritma KNN menunjukkan bahwa 5 mahasiswa diprediksi tidak lulus tepat waktu, sementara 47 mahasiswa lainnya diprediksi lulus. Faktor kehadiran dan keaktifan menjadi indikator utama dalam hasil tersebut. Pada penerapan algoritma Decision Tree, struktur pohon keputusan dianalisis mulai dari simpul akar hingga daun dengan penekanan pada nilai confidence. Nilai confidence pada level 2 menunjukkan prediksi tidak lulus sebesar >0,153 dan lulus sebesar >32,500; sementara pada level 1, kriteria kelulusan berada di antara >0,154 dan <154. Evaluasi model dilakukan menggunakan confusion matrix, dengan hasil sebagai berikut: True Positive (TP) = 5, False Positive (FP) = 47, False Negative (FN) = 0, dan True Negative (TN) = 0. Dari hasil tersebut diperoleh nilai akurasi sebesar 50%, presisi 9,61%, recall 9,61%, dan F1-score sebesar 16,7%. Visualisasi kurva ROC-AUC menunjukkan bahwa area 0-47 mewakili prediksi mahasiswa lulus, sementara area 0-5 mencerminkan mahasiswa yang tidak lulus (false negative). Penelitian ini menunjukkan bahwa metode ensemble learning pada algoritma KNN dan Decision Tree dapat digunakan sebagai pendekatan awal dalam memetakan potensi kelulusan mahasiswa, meskipun masih perlu perbaikan pada aspek akurasi dan presisi model.]]>
