Student graduation is one of the fields included in the Internal Quality Assurance Standards (SPMI) of a university. But in fact, based on interview data obtained from the Informatics Engineering S1 Study Program with the number of 2016 students as many as 305 students with 227 students graduating on time, 56 students did not graduate on time
and the rest are still active in college, meaning that there are still many students who have not been able to graduate on time. time with various obstacles. In this study using the KNearest Neighbors (KNN) Algorithm which is a method for classifying objects or data based on the learning data that is closest to the data object. This study obtained results where the making of the student graduation prediction process using the K-Nearest Neighbor method consists of several stages. Starting from data collection and understanding, data preparation by sharing data using holdout validation, data modeling, determining K-3 parameters, the Eucludien Distance process to see the closest distance from the dataset obtained to the model testing stage using a confusion matrix. From the results of the confusion matrix with training, a model using the K-3 parameter is obtained with an accuracy of 90%.

Kelulusan mahasiswa merupakan salah satu bidang yang termasuk ke dalam Standar Penjaminan Mutu Internal (SPMI) suatu perguruan tinggi. Namun pada faktanya berdasarkan data wawancara yang didapatkan dari Prodi S1 Teknik Informatika dengan jumlah mahasiswa Angkatan 2016 sebanyak 305 mahasiswa dengan jumlah lulusan tepat waktu 227 mahasiswa, lulusan tidak tepat waktu 56 mahasiswa dan sisanya masih aktif kuliah, artinya masih banyak mahasiswa yang belum bisa lulus tepat waktu dengan berbagai macam kendala. Pada penelitian ini menggunakan Algoritma K-Nearest Neighbor (KNN) yang merupakan sebuah metode untuk melakukan klasifikasi terhadap objek atau data berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek data tersebut. Penelitian ini mendapatkan hasil yang dimana pembuatan proses prediksi kelulusan mahasiswa menggunakan metode K-Nearest Neigbour terdiri dari beberapa tahap. Mulai dari pengumpulan dan pemahaman data, persiapan data dengan pembagian data menggunakan holdout validation, pelatihan data, menentukan parameter K-3, proses Eucludien Distance untuk melihat jarak terdekat dari dataset yang didapatkan sampai ke tahap pengujian model menggunakan confusion matriks. Dari hasil confusion matriks dengan pelatihan diperoleh model dengan menggunakan parameter K-3 dengan akurasi sebesar 90%