Implementasi Algoritma K-Nearest Neighbors Untuk Sistem Pengelolaan Waktu Tunggu Lulusan Perguruan Tinggi

Erwin Yulianto (Universitas Langlangbuana)
Amras Mauluddin (Universitas Langlangbuana)
Ichsan Haryadi Putra (Universitas Langlangbuana)
Iwan Abadi (Universitas Langlangbuana)
Awan Setiawan (Universitas Langlangbuana)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol. 9 No. 2 (2026): April, 2026

Abstrak – Keberhasilan lulusan dalam memperoleh pekerjaan menjadi indikator penting bagi perguruan tinggi. Universitas Langlangbuana menghadapi tantangan dalam mengelola dan menganalisis data tracer study terkait waktu tunggu lulusan dalam mendapatkan pekerjaan pertama. Metode penelitian menggunakan Forward Engineering dengan model pengembangan System Development Life Cycle (SDLC). Data yang dikumpulkan melalui tracer study diolah menggunakan algoritma KNN untuk mengklasifikasikan lulusan berdasarkan faktor-faktor seperti nama, NPM, program studi, tahun kelulusan, IPK, durasi mendapatkan pekerjaan pertama, serta preferensi mahasiswa dalam melamar pekerjaan sesuai dengan bidangnya. Hasil penelitian menunjukkan bahwa algoritma KNN mampu memberikan prediksi yang cukup akurat dalam menentukan waktu tunggu lulusan dan kecenderungan mereka dalam memilih pekerjaan sesuai dengan latar belakang pendidikan. Implementasi sistem ini diharapkan dapat meningkatkan efektivitas analisis data lulusan serta memberikan wawasan yang lebih baik bagi universitas dalam menyusun program pengembangan karier yang lebih sesuai dengan kebutuhan industri dan preferensi mahasiswa. Kata kunci : Tracer Study; Waktu Tunggu Lulusan; Forward Engineering; K-Nearest Neighbors; Prediksi;   Abstract – Graduates' success in obtaining employment is an important indicator for universities. Langlangbuana University faces challenges in managing and analyzing tracer study data related to graduates' waiting time to find their first job. The research method used Forward Engineering with the System Development Life Cycle (SDLC) development model. Data collected through the tracer study was processed using the KNN algorithm to classify graduates based on factors such as name, NPM, study program, graduation year, GPA, duration of obtaining the first job, and student preferences in applying for jobs according to their fields. The results showed that the KNN algorithm was able to provide fairly accurate predictions in determining graduates' waiting time and their tendencies in choosing jobs according to their educational background. The implementation of this system is expected to improve the effectiveness of graduate data analysis and provide better insights for universities in developing career development programs that are more in line with industry needs and student preferences. Keywords: Tracer Study; Graduate Waiting Time; Forward Engineering; K-Nearest Neighbors; Prediction;