Penerapan Algoritma k-Nearest Neighbor untuk Prediksi Kinerja Akademik Mahasiswa
DOI:
https://doi.org/10.71234/jistech.v2i2.101Keywords:
k-Nearest Neighbor, Kinerja Akademik Mahasiswa, Data Akademik, Klasifikasi, Sistem Pendukung KeputusanAbstract
Kinerja akademik mahasiswa merupakan indikator penting dalam evaluasi mutu pembelajaran dan keberhasilan studi di perguruan tinggi. Pemanfaatan data akademik secara optimal diperlukan untuk mendukung pengambilan keputusan akademik yang lebih objektif dan berbasis data. Penelitian ini bertujuan untuk menerapkan algoritma k-Nearest Neighbor (k-NN) dalam memprediksi kategori kinerja akademik mahasiswa berdasarkan kemiripan data akademik historis. Penelitian ini menggunakan pendekatan kuantitatif dengan metode klasifikasi, melibatkan empat fitur utama, yaitu IPK terakhir, jumlah SKS yang telah ditempuh, rata-rata nilai mata kuliah inti, dan jumlah mata kuliah mengulang. Dataset yang digunakan terdiri dari sepuluh data latih mahasiswa yang telah diklasifikasikan ke dalam kategori kinerja akademik tinggi, sedang, dan rendah, serta satu data uji sebagai kasus baru. Proses klasifikasi dilakukan menggunakan jarak Euclidean dengan nilai parameter k = 3. Hasil penelitian menunjukkan bahwa algoritma k-NN mampu mengklasifikasikan kinerja akademik mahasiswa secara efektif, di mana data uji dikategorikan ke dalam kinerja akademik rendah berdasarkan mayoritas kelas tetangga terdekat. Temuan ini menunjukkan bahwa algoritma k-NN memiliki potensi untuk diterapkan sebagai dasar pengembangan sistem pendukung keputusan akademik, khususnya untuk deteksi dini mahasiswa yang berisiko mengalami penurunan kinerja akademik
References
[1] J. J. Valero-Mas, C. Penarrubia, F. J. Castellanos, A. J. Gallego, and J. Calvo-Zaragoza, “Insights into imbalance-aware Multilabel Prototype Generation mechanisms for k-Nearest Neighbor classification in noisy scenarios,” Pattern Recognit., vol. 169, no. May 2025, p. 111884, 2026, doi: 10.1016/j.patcog.2025.111884.
[2] R. Karmakar, A. K. Das, D. Sarkar, S. K. Biswas, A. Mandal, and A. Bhattacharya, “Breast Cancer Prediction using Stacking Models & Hyperparameter Tuning,” Intel. Artif., vol. 28, no. 76, pp. 149–165, 2025, doi: 10.4114/intartif.vol28iss76pp149-165.
[3] M. Faisal, W. S. Utami, and S. Parmica, “Implementasi Algoritma K-Nearest Neighbor (KNN) Dalam Memprediksi Indeks Kemiskinan,” J. Sensi, vol. 9, no. 1, pp. 11–23, 2023, doi: 10.33050/sensi.v9i1.2616.
[4] C. A. Wint’s II, A. I. Purnamasari, and T. Suprapti, “Prediksi Hunian Hotel Menggunakan Algoritma K-Nearest Neighbors,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1897–1903, 2024, doi: 10.36040/jati.v8i2.8342.
[5] A. Alfani W.P.R., F. Rozi, and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021, doi: 10.29100/jipi.v6i1.1910.
[6] N. Nurwati, N. Azizah, and Y. Santoso, “Penerapan Algoritma K-Nearest Neighbor Untuk Prediksi Mahasiswa Berpotensi Dropout,” J. Sensi, vol. 9, no. 1, pp. 74–83, 2023, doi: 10.33050/sensi.v9i1.2624.
[7] L. Alfat, H. Hermawan, A. Rustandiputri, R. Inzhagi, and R. Tandjilal, “Prediksi Saham PT. Aneka Tambang Tbk. dengan K-Nearest Neighbors,” JSAI (Journal Sci. Appl. Informatics), vol. 5, no. 3, pp. 236–243, 2022, doi: 10.36085/jsai.v5i3.3975.
[8] N. K. B. Dewi, N. K. A. Wirdiani, and D. M. S. Arsa, “Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting,” J. Edukasi dan Penelit. Inform., vol. 8, no. 1, pp. 95–103, 2022.
[9] A. A. Amer, S. D. Ravana, and R. A. A. Habeeb, “Effective k-nearest neighbor models for data classification enhancement,” J. Big Data, vol. 12, no. 1, 2025, doi: 10.1186/s40537-025-01137-2.
[10] N. Ibrahim, N. R. Rajalakshmi, V. Sivakumar, and L. Sharmila, “An optimized hybrid ensemble machine learning model combining multiple classifiers for detecting advanced persistent threats in networks,” J. Big Data, vol. 12, no. 1, 2025, doi: 10.1186/s40537-025-01272-w.
[11] M. N. Sutoyo, “Rancang Bangun Aplikasi Untuk Memprediksi Status Gizi Balita,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 2, p. 136, 2018, doi: 10.20527/klik.v5i2.140.
[12] A. Paliling and M. Sutoyo, “Combination of The MADM Model Yager and k-NN to Group Single Tuition Payments,” Ilk. J. Ilm., vol. 15, no. 2, pp. 326–334, 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 JISTech : Journal of Information Systems and Technology
This work is licensed under a Creative Commons Attribution 4.0 International License.
