Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree
DOI:
https://doi.org/10.47701/4q3z9j41Keywords:
Decision Tree, Prediksi Kelulusan, Data Mining, Machine LearningAbstract
Tujuan dari penelitian ini adalah merancang sebuah model prediksi kelulusan mahasiswa menggunakan algoritma Decision Tree (C4.5) untuk mengidentifikasi secara dini mahasiswa yang berisiko mengalami keterlambatan studi. Metode yang digunakan adalah teknik klasifikasi data mining terhadap data sekunder mahasiswa Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta angkatan 2021-2024. Analisis dilakukan terhadap empat atribut kunci, yaitu Indeks Prestasi Kumulatif (IPK), jumlah SKS, persentase kehadiran, dan semester aktif. Model yang dibangun kemudian dievaluasi kinerjanya menggunakan metode 10-Fold Cross-Validation. Hasil penelitian menunjukkan model prediksi yang dibangun mampu mencapai tingkat akurasi 80% pada data uji. Atribut Kehadiran teridentifikasi sebagai faktor prediktor paling signifikan, diikuti oleh IPK dan progres perolehan SKS. Model ini berhasil diimplementasikan menjadi sebuah aplikasi web interaktif yang berfungsi sebagai sistem peringatan dini (early warning system) untuk mendukung intervensi akademik yang lebih cepat dan efektif.
References
[1] S. Suriani, A. P. Windarto, dan A. Wanto, “Penerapan Algoritma C4.5 dalam Memprediksi Tingkat Kelulusan Mahasiswa,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 9, no. 1, hlm. 45–54, 2023.
[2] D. A. Putri dan B. Setiawan, “Identifikasi Kemungkinan Mahasiswa Lulus Tepat Waktu Menggunakan Algoritma Decision Tree C4.5,” dalam Prosiding Seminar Nasional Teknik Elektro, Informatika, dan Sistem Informasi (SNETIES), 2022, hlm. 210–217.
[3] [3] A. Nugroho dan D. P. Lestari, “Analisis Faktor-Faktor Akademik yang Mempengaruhi Ketepatan Waktu Kelulusan Mahasiswa Teknik Informatika,” Jurnal Teknologi Informasi: Teori dan Aplikasi (JTITA), vol. 7, no. 2, hlm. 88–96, 2021.
[4] R. H. Saputra, “Pemanfaatan Educational Data Mining untuk Peningkatan Kualitas Pendidikan di Perguruan Tinggi,” Jurnal Edukasi dan Teknologi Informasi (JETI), vol. 6, no. 1, hlm. 33–42, 2022.
[5] J. Han, M. Kamber, dan J. Pei, Data Mining: Concepts and Techniques, 4th ed. Waltham, MA: Morgan Kaufmann, 2022.
[6] M. B. Al-Zoubi, A. S. Al-Hashemi, dan S. H. El-Gayar, "A review of educational data mining in higher education," International Journal of Advanced Computer Science and Applications, vol. 12, no. 5, hlm. 458-467, 2021.
[7] F. A. Bachtiar, D. E. P. Putra, dan R. A. F. Syah, “Visualisasi Aturan Pohon Keputusan untuk Interpretasi Model Prediksi Kinerja Akademik,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 7, no. 1, hlm. 123-132, 2023.
[8] L. Hakim, “Studi Kasus: Tantangan Implementasi Sistem Peringatan Dini Akademik di Universitas Swasta Indonesia,” Jurnal Manajemen Pendidikan Tinggi, vol. 5, no. 2, hlm. 78–89, 2023.
[9] R. Anwar, M. Z. A. bin Ahmad, dan S. A. bin Zulkifli, “Development of a Web-Based Student Graduation Prediction System using C4.5 Algorithm,” dalam Proc. IEEE International Conference on Information and Communication Technology (ICICT), 2022, hlm. 1-6.
[10] S. L. Ting, W. H. Ip, dan A. H. C. Tsang, "Is decision tree a good algorithm for predicting student performance? A case study in a vocational higher education institution," Journal of Educational Technology Development and Exchange, vol. 14, no. 1, hlm. 3, 2021.
[11] S. Raschka, “Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning,” arXiv preprint arXiv:1811.12808, 2020.
[12] D. M. W. Powers, "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness & correlation," Journal of Machine Learning Technologies, vol. 2, no. 1, hlm. 37-63, 2020.
[13] M. A. Wibowo, “Desain dan Implementasi Dashboard Monitoring Akademik sebagai Instrumen Pendukung Keputusan untuk Dosen Wali,” Jurnal Sistim Informasi dan Teknologi, vol. 4, hlm. 55-61, 2022.
[14] A. N. Asyifa dan R. K. Hapsari, “Efektivitas Program Intervensi Akademik Terhadap Mahasiswa Berisiko Drop-Out,” Jurnal Psikologi Pendidikan & Konseling, vol. 9, no. 2, hlm. 150-160, 2023.
[15] A. Yadav, S. Bharadwaj, dan S. Pal, "The role of non-academic parameters for predicting student performance using educational data mining," Journal of Big Data, vol. 9, no. 1, hlm. 1-22
