Fenomena yang Sering Terjadi di Kampus
Pernah merasa heran kenapa ada temanmu yang jarang kelihatan di kelas, lalu tiba-tiba namanya hilang dari daftar mahasiswa aktif? Atau melihat dosen geleng-geleng kepala di akhir semester karena banyak mahasiswanya gagal lulus mata kuliah?
Fenomena ini bukan sekadar cerita—ketidaklulusan mahasiswa nyata terjadi. Dan sering kali, tanda-tandanya sebenarnya bisa terlihat sejak awal. Kabar baiknya, kita bisa memprediksinya lewat data sederhana: IPK dan kehadiran.
Penelitian yang dilakukan oleh Galih Setiawan membuktikan bahwa hanya dengan dua data tersebut, kita bisa membuat sistem prediksi risiko ketidaklulusan mahasiswa menggunakan algoritma K-Nearest Neighbor (K-NN).
Masalah: Kenapa Ketidaklulusan Perlu Diprediksi?
Ketidaklulusan bukan cuma soal nilai jelek. Dampaknya luas:
- Mimpi dan rencana mahasiswa tertunda.
- Semangat belajar menurun.
- Beban finansial bertambah.
- Reputasi dan akreditasi kampus ikut terdampak.
Masalahnya, banyak kampus belum punya sistem peringatan dini. Akibatnya, mahasiswa baru ketahuan bermasalah saat sudah terlambat.
Lalu, bagaimana kalau ada cara cepat untuk mengetahui siapa saja yang berisiko tidak lulus sejak awal semester?
Metode K-NN: Cara Sederhana tapi Efektif
K-NN bekerja mirip seperti “tanya tetangga”: prediksi dibuat berdasarkan kemiripan data mahasiswa baru dengan mahasiswa sebelumnya yang datanya sudah diketahui.
Langkah sederhananya:
- Tentukan nilai K → berapa jumlah “tetangga terdekat” yang akan dilihat.
- Hitung jarak antar data → biasanya menggunakan Euclidean Distance.
- Urutkan dari yang terdekat dengan data mahasiswa yang ingin diprediksi.
- Ambil suara mayoritas → jika mayoritas tetangga “tidak lulus”, maka mahasiswa tersebut berisiko tinggi gagal.
Dalam penelitian ini, proses dijalankan menggunakan RapidMiner, software data mining gratis yang ramah pemula.
Hasil Penelitian: Dua Angka yang Bicara Banyak
Analisis menunjukkan pola yang jelas:
| Kriteria Mahasiswa | Peluang Lulus | Peluang Tidak Lulus |
| Kehadiran ≥ 75% & IPK ≥ 3.00 | 75% | 25% |
| Salah satu/bukan keduanya terpenuhi | 22,73% | 77,27% |
Artinya, dua indikator sederhana, presensi dan IPK—sudah cukup untuk memprediksi risiko kelulusan dengan tingkat akurasi yang layak.
Dengan K-NN, kita bisa mengubah sistem pendidikan menjadi proaktif—bertindak sebelum masalah terjadi.
