<![CDATA[Sistem pendukung keputusan akademik berbasis data membutuhkan algoritma machine learning yang akurat, stabil, dan efisien secara komputasi. Namun, pemilihan parameter algoritma yang kurang optimal serta terbatasnya evaluasi komputasi pada dataset akademik berukuran kecil hingga menengah masih menjadi permasalahan utama dalam penelitian sebelumnya. Penelitian ini mengusulkan evaluasi dan optimasi algoritma Gaussian Naive Bayes (GNB) dan K-Nearest Neighbor (KNN) melalui penerapan feature engineering teknis dan analisis parameter K, serta perancangan arsitektur sistem yang mendukung integrasi ke Decision-Support System (DSS) akademik. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa KNN dengan K=15 memberikan performa terbaik dengan akurasi sebesar 87%, presisi 0,85, recall 0,86, dan F1-score 0,86, sedangkan GNB menghasilkan akurasi 81% dengan keunggulan pada efisiensi komputasi. Penelitian ini menegaskan pentingnya optimasi parameter algoritma serta menyediakan arsitektur sistem klasifikasi yang berpotensi diimplementasikan secara near real-time dalam sistem pendukung keputusan akademik ]]>
Copyrights © 2026
