MODEL ALGORITMA KNN UNTUK PREDIKSI KELULUSAN MAHASISWA STIKOM CKI
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOM CKI)
Indonesia
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOM CKI)
Indonesia
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOM CKI)
Indonesia
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOM CKI)
Indonesia
Article Submitted: 02 July 2024
Article Published: 13 June 2024
Abstract
This study develops a student graduation prediction model using the K-Nearest Neighbor (KNN) algorithm, considering variables such as age, Grade Point Average (GPA), number of Credits Earned (CE), participation in TOEFL tests, seminar activities, and participation in internships. Data from 80 students in the computer engineering and information systems programs at STIKOM Cipta Karya Informatika were analyzed to train and test the model. The results show that the KNN model with K=3, K=4, and K=5 produces a prediction accuracy of 66,67%. GPA and the number of credits earned significantly influence graduation, while participation in internships and TOEFL tests also contribute. Seminar certificates and age have a lower impact. These findings indicate that the KNN algorithm is effective for predicting student graduation, providing insights for educational institutions to enhance academic programs and student development.
Keywords
References
F. Asrory, J. D. Irawan, and A. Wahid, “APLIKASI PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN METODE KNN,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 4, no. 2, pp. 105–112, Oct. 2020, doi: 10.36040/jati.v4i2.2725.
Z. Amri, K. Kusrini, and K. Kusnawi, “Prediksi Tingkat Kelulusan Mahasiswa menggunakan Algoritma Naïve Bayes, Decision Tree, ANN, KNN, dan SVM,” Edumatic: Jurnal Pendidikan Informatika, vol. 7, no. 2, pp. 187–196, Dec. 2023, doi: 10.29408/edumatic.v7i2.18620.
S. Widaningsih, “PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI DAN WAKTU KELULUSAN MAHASISWA PRODI TEKNIK INFORMATIKA DENGAN ALGORITMA C4,5, NAÏVE BAYES, KNN DAN SVM,” Jurnal Tekno Insentif, vol. 13, no. 1, pp. 16–25, Apr. 2019, doi: 10.36787/jti.v13i1.78.
J. Astri, J. Karman, and N. K. Daulay, “Prediksi Kelulusan Mahasiswa Menggunakan Metode K-Nearest Neigbor (KNN) pada Fakultas Ilmu Teknik, Univeritas Bina Insan,” vol. 8, pp. 169–173, 2023, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
O. Sativa, D. Putri, A. Yhurinda, P. Putri, I. T. Adhi, and T. Surabaya, “SNESTIK Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika Prediksi Kelulusan Mahasiswa dengan Metode K-Nearest Neighbor pada Jurusan Sistem Informasi Institut XYZ,” 2023, doi: 10.31284/p.snestik.2023.4388.
D. Prasetyawan, R. Gatra, K. Kunci, P. Akademik, and K. Pearson, “Algoritma K-Nearest Neighbor untuk Memprediksi Prestasi Mahasiswa Berdasarkan Latar Belakang Pendidikan dan Ekonomi,” 2022.
A. Ulul Azmi Wafiqi, T. Tundo, B. Arvian James, A. Huga Ramadhan, and A. Nizar, “Prediksi Tingkat Stres Pada Mahasiswa UNUGHA Cilacap Menggunakan Algoritma K-Nearest Neighbor,” JURNAL TEKNO KOMPAK, vol. 18, no. 2, 2024.
R. Ridwan, H. Lubis, and P. Kustanto, “Implementasi Algoritma Neural Network dalam Memprediksi Tingkat Kelulusan Mahasiswa,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 2, p. 286, Apr. 2020, doi: 10.30865/mib.v4i2.2035.
O. Bangun, H. Mawengkang, and S. Efendi, “Metode Algoritma Support Vector Machine (SVM) Linier Dalam Memprediksi Kelulusan Mahasiswa,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 4, p. 2006, Oct. 2022, doi: 10.30865/mib.v6i4.4572.
M. D. Yalidhan, “IMPLEMENTASI ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI KELULUSAN MAHASISWA,” KLIK - KUMPULAN JURNAL ILMU KOMPUTER, vol. 5, no. 2, p. 169, Sep. 2018, doi: 10.20527/klik.v5i2.152.
A. Pratama, R. Cahya Wihandika, and D. E. Ratnawati, “Implementasi Algoritme Support Vector Machine (SVM) untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa,” 2018. [Online]. Available: http://j-ptiik.ub.ac.id
R. Puspita, S. Putri, I. Waspada, and U. D. Semarang, “Penerapan Algoritma C4.5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika,” 2018.
L. Setiyani, M. Wahidin, D. Awaludin, and S. Purwani, “Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes : Systematic Review,” Faktor Exacta, vol. 13, no. 1, p. 35, Jun. 2020, doi: 10.30998/faktorexacta.v13i1.5548.
L. Abd, R. Hakim, A. A. Rizal, and D. Ratnasari, “APLIKASI PREDIKSI KELULUSAN MAHASISWA BERBASIS K-NEAREST NEIGHBOR (K-NN),” 2019.
A. Yandi Saputra and Y. Primadasa, “Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbour Implementation of Classification Method to Predict Student Graduation Using K-Nearest Neighbor Algorithm,” 2018.
O. Caelen, “A Bayesian interpretation of the confusion matrix,” Ann Math Artif Intell, vol. 81, no. 3–4, pp. 429–450, Dec. 2017, doi: 10.1007/s10472-017-9564-8.
