Pengembangan Sistem Cerdas Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma Naive Bayes dan K-Nearest Neighbors (K-NN)

Kelulusan tepat waktu mahasiswa menjadi salah satu indikator penting dalam menilai mutu penyelenggaraan pendidikan tinggi. Namun, rendahnya persentase mahasiswa yang mampu menyelesaikan studi sesuai masa studi ideal masih menjadi permasalahan yang perlu mendapat perhatian serius. Penelitian ini bertujuan untuk mengembangkan sistem cerdas guna memprediksi kelulusan mahasiswa tepat waktu dengan menerapkan algoritma Naive Bayes dan K-Nearest Neighbors (K-NN). Dataset yang digunakan bersumber dari Sistem Informasi Akademik UIN Ar-Raniry Banda Aceh, terdiri dari 1.828 data mahasiswa dari Fakultas Sains dan Teknologi dan Fakultas Ilmu Sosial dan Ilmu Pemerintahan tahun angkatan 2018 hingga 2021. Tahapan penelitian mencakup pengumpulan data, preprocessing, pembentukan target biner, pembagian data latih dan uji menggunakan stratified split, pelatihan model, serta evaluasi performa. Evaluasi dilakukan menggunakan confusion matrix, classification report, learning curve, ROC curve, dan nilai AUC. Hasil penelitian menunjukkan bahwa model Naive Bayes mencapai akurasi sebesar 79,23%, sementara model K-NN memperoleh akurasi sebesar 92,07%. Penggabungan kedua hasil model dalam sistem hybrid berhasil meningkatkan kinerja prediksi secara keseluruhan. Temuan ini menunjukkan bahwa pendekatan soft voting efektif dalam mengklasifikasikan status kelulusan mahasiswa. Sistem yang dikembangkan diharapkan dapat membantu pihak akademik dalam mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan kelulusan sejak dini, sehingga pembinaan akademik dapat dilakukan secara lebih tepat dan terarah.