Implementasi Algoritma K-Nearest Neighbor Untuk Klasifikasi tingkat Drop Out Mahasiswa

Abstract

kan tinggi yang berdampak pada kualitas institusi dan keberhasilan akademik mahasiswa. Oleh karena itu, diperlukan metode yang mampu mengidentifikasi mahasiswa berpotensi DO secara dini. Penelitian ini bertujuan untuk menerapkan algoritma K-Nearest Neighbor (K-NN) dalam mengklasifikasikan tingkat risiko drop out mahasiswa berdasarkan data akademik. Dataset yang digunakan merupakan data historis mahasiswa yang mencakup variabel Indeks Prestasi Kumulatif (IPK), tingkat kehadiran, dan nilai mata kuliah. Tahapan penelitian meliputi pengumpulan data, preprocessing (cleaning, transformasi, dan normalisasi), pembagian data menjadi data latih dan data uji, implementasi K-NN, serta evaluasi model menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa algoritma K-NN mampu menghasilkan kinerja yang baik dengan nilai akurasi sebesar 80, dan F1-score 0,80. Hasil tersebut menunjukkan bahwa K-NN efektif dalam mengklasifikasikan mahasiswa yang berpotensi mengalami DO. Dengan demikian, metode ini dapat digunakan sebagai alat bantu dalam pengambilan keputusan untuk mendukung upaya pencegahan drop out secara lebih cepat dan tepat.