Implementasi Algoritma Supervised Learning untuk Memprediksi Lama Masa Studi dan IPK Mahasiswa FKIP Universitas Jember

Abstract

Penelitian ini bertujuan untuk menganalisis penerapan supervised learning khususnya K-NN untuk memprediksi IPK dan masa studi mahasiswa FKIP dengan menganalisis fitur, seperti NIM, IPK, masa studi, SKS, dan Program Studi. Proses pengambilan data dimulai dengan wawancara dan dokumentasi bersama staff akdemik FKIP, serta penyebaran angket secara online, menghasilkan 2.827 records data wisudawan dan 162 records data mahasiswa terkait IPK, masa studi, dan hambatan yang dialami. Setelah proses pembersihan data, prediksi menggunakan K-NN dengan bantuan bahasa pemrograman phyton dipilih karena kesederhanaannya dalam klasifikasi kedekatan jarak seperti Euclidean. Model menunjukkan performa terbaik pada nilai k tertentu, dengan akurasi optimal untuk memprediksi lama studi dan IPK. Prediksi masa studi mahasiswa FKIP menghasilkan akurasi 93.40%, recall 93.40%, precision 92,77%, dan F1-score 92,99%. Prediksi IPK mahasiswa FKIP menghasilkan akurasi 94,94%, recall 94,94%, precision 94,40%, dan F1-score 94,64%. Prediksi masa studi mahasiswa Pendidikan matematika menghasilkan akurasi 93,06%, recall 93,06%, precision 91,53%, dan F1-score 92,05%. Prediksi IPK mahasiswa Pendidikan matematika menghasilkan akurasi 91,64%, recall 91,64%, precision 92,06%, dan F1score 91,78%. Evaluasi menunjukkan model K-NN dapat diandalkan dengan prediksi

akurat

dan konsisten. Persentase mahasiswa FKIP dengan masa studi tepat waktu sebanyak 0.47%, cepat sebanyak 39.22%, terlambat satu semester sebanyak 2%, terlambat dua semester sebanyak 1.65% dan terlambat 3 semester atau lebih sebanyak 56.65%. Persentase mahasiswa pendidikan matematika dengan masa studi cepat sebanyak 55.56%, terlambat satu semester sebanyak 41.67%, dan terlambat dua sebanyak 2.78%. Persentase mahasiswa FKIP dengan IPK dengan kategori A sebanyak 81.51%, dan AB sebanyak 18.49%. Persentase mahasiswa pendidikan matematika dengan IPK dengan kategori AB sebanyak 69.44%, dan B sebanyak 30.56%. Secara keseluruhan, K-NN menunjukkan kinerja baik dalam memprediksi IPK dan masa studi, sehingga dapat digunakan sebagai alat pendukung akademik.