<![CDATA[Pendidikan tinggi berfungsi sebagai pilar utama dalam pengembangan kualitas sumber daya manusia, dan tingkat kelulusan mahasiswa menjadi indikator keberhasilan institusi. Beberapa institusi menghadapi permasalahan dalam mempertahankan tingkat kelulusan yang tinggi, rendahnya kelulusan mencerminkan hambatan dalam pembelajaran atau kualitas pengajaran. Oleh karena itu, prediksi kelulusan mahasiswa penting agar institusi dapat mengantisipasi permasalahan akademik lebih awal dan mengambil langkah-langkah strategis. Penelitian ini bertujuan untuk mengevaluasi performa algoritma klasifikasi, yaitu k-Nearest Neighbors (k-NN) dengan berbagai metrik jarak (Manhattan, Euclidean, Minkowski), Naïve Bayes, Logistic Regression, dan Decision Tree, untuk memprediksi kelulusan mahasiswa. Evaluasi dilakukan berdasarkan akurasi, presisi, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa Naïve Bayes adalah metode terbaik dengan akurasi 87,5%, presisi 86%, recall 80%, F1-score 83%, dan AUC 93,1%. Model ini optimal karena fitur Indeks Prestasi Semester (IPS) memiliki distribusi yang sesuai dengan asumsi Gaussian. Sebaliknya, Decision Tree memiliki performa terendah dengan akurasi 77,5% dan rentan terhadap overfitting. Faktor utama yang mempengaruhi kelulusan mahasiswa adalah status pekerjaan (30,8%) dan IPS Semester 4 (25,7%). Penelitian ini diharapkan dapat mendukung institusi pendidikan dalam memilih metode klasifikasi yang tepat serta merancang strategi akademik berdasarkan faktor utama yang mempengaruhi kelulusan.]]>
Copyrights © 2025
