Jumlah  data  yang  dimiliki  oleh  sebuah  perguruan  tinggi  akan  mengalami peningkatan  setiap  tahunnya.  Prediksi  masa  studi  mahasiswa  dapat  digali menggunakan  data  tersebut  menggunakan  Algoritma  KNN  dan  Algoritma 

Distance-Weighted KNN. Algoritma KNN dilakukan dengan mencari kelompok k 

objek dalam data training yang paling dekat (mirip) dengan objek pada data baru 

atau data testing. Distance-Weighted KNN merupakan algoritma yang berfungsi 

untuk  memberi  bobot  yang berbeda ke tetangga terdekat  sesuai  jaraknya,  dan tetangga terdekat memiliki bobot yang lebih besar. Ada hal yang mempengaruhi kinerja algoritma KNN yaitu pemilihan nilai k, oleh karena itu perlu diketahui nilai 

k dan tingkat akurasinya. Confusion matrix digunakan untuk mengetahui tingkat 

akurasi pada kedua algoritma. Algoritma Distance-Weighted KNN tidak lebih baik 

daripada algoritma KNN. Akurasi algoritma KNN lebih besar daripada algoritma DWKNN yaitu terletak pada k=7 dengan akurasi 83,3% (KNN) banding 80,0% 

(DWKNN). Namun untuk kestabilan akurasi, algoritma Distance-Weighted KNN 

cenderung  stabil.  Nilai  k-optimal  yang  dihasilkan  algoritma  DWKNN  untuk prediksi masa studi mahasiswa adalah 1, 3, 7, dan 9. 

Kata  kunci:  K-Nearest  Neighbor,  Distance-Weighted  KNN,  Data   Mining, 

Confusion Matrix, Masa Studi Mahasiswa.