<![CDATA[Manajemen pendidikan tinggi yang kompleks memerlukan inovasi untuk meningkatkan efisiensi waktu kelulusan mahasiswa. Permasalahan yang ada pada Jurusan Pendidikan MIPA FKIP ULM dalam memahami keterlambatan waktu kelulusan mahasiswa adalah belum adanya sistem dan metode yang efisien dalam memecahkan masalah keterlambatan ini. Sehingga dalam penelitian ini metode machine learning dengan algoritma klastering K-Means diusulkan untuk memecahkan masalah keterlambatan. Jenis data yang digunakan dalam penelitian adalah IPK dan SKS mahasiswa angkatan 2016 sampai 2019 dari semester 1 sampai 5. Dalam penggunaannya data tersebut harus di preprocessing terlebih dahulu agar, bisa diinputkan ke dalam algoritma K-Means. Output yang dihasilkan adalah klaster mahasiswa berdasarkan hasil akademik, dengan label klaster Tepat Waktu Cumlaude, Tepat Waktu Sangat Memuaskan, Tidak Tepat Waktu Sangat Memuaskan, dan Tidak Tepat Waktu Memuaskan. Dalam hasil evaluasi algoritmanya, K-means dinyatakan tidak dapat memecahkan permasalahan keterlambatan waktu kelulusan mahasiswa. Evaluasi dilakukan dengan menggunakan metode Davies-Bouldien Index yang menghasilkan skor sebesar 0,67 (tidak memuaskan). Lalu Adjusted Rand Index sebesar 0,17 (buruk). Namun dengan menggunakan metode Calinski-Harabasz Index, K-means memperoleh skor sebesar 338,28 yang berarti bahwa K-means cocok digunakan untuk klastering data hasil akademik. Hasil penelitian memberikan informasi tentang distibusi jumlah data mahasiswa, tren Indeks Prestasi Kumulatif Mahasiswa, daftar mahasiswa setiap klaster potensi waktu kelulusannya.]]>
