Prediksi Partisipasi Mahasiswa dalam Kegiatan Kampus Menggunakan Algoritma Random Forest
Keywords:
partisipasi mahasiswa, kegiatan kampus, Random Forest, Educational Data Mining, machine learningAbstract
Partisipasi mahasiswa dalam kegiatan kampus merupakan faktor penting yang memengaruhi keberhasilan akademik dan pengembangan kompetensi sosial. Namun, rendahnya tingkat keterlibatan mahasiswa masih menjadi tantangan di banyak perguruan tinggi Indonesia. Penelitian ini bertujuan membangun model prediksi partisipasi mahasiswa dalam kegiatan kampus menggunakan algoritma Random Forest berbasis data kuesioner dari 500 responden, sekaligus mengidentifikasi faktor-faktor dominan yang memengaruhinya. Data dikumpulkan melalui kuesioner terstruktur yang mencakup variabel motivasi, pengaruh teman sebaya, ketersediaan waktu, dan keterlibatan organisasi. Preprocessing data meliputi pembersihan data, encoding variabel kategorikal, dan pembagian data latih-uji. Model Random Forest dibangun dengan mekanisme ensemble learning melalui voting mayoritas dari sejumlah pohon keputusan. Hasil eksperimen menunjukkan bahwa model mencapai akurasi sebesar 74%, precision 66,67%, recall 42,42%, dan F1-score 51,84% dalam memprediksi tingkat partisipasi mahasiswa. Analisis feature importance mengungkapkan bahwa ketersediaan waktu luang (36%) dan status keikutsertaan organisasi saat ini (26,7%) merupakan faktor paling dominan dalam menentukan keputusan mahasiswa untuk berpartisipasi, sedangkan pengaruh ajakan teman memberikan kontribusi paling kecil (16,5%). Temuan ini diharapkan dapat menjadi dasar bagi institusi perguruan tinggi dalam merancang strategi intervensi yang lebih tepat sasaran guna meningkatkan keterlibatan mahasiswa secara berkelanjutan.
References
[1] K. Jawad, M. A. Shah, and M. Tahir, “Students’ Academic Performance and Engagement Prediction in a Virtual Learning Environment Using Random Forest with Data Balancing,” Sustainability (Switzerland), vol. 14, no. 22, Nov. 2022, doi: 10.3390/su142214795.
[2] P. S. Saputra, “ANALISIS PREDIKTIF DROPOUT MAHASISWA BERDASARKAN KINERJA AKADEMIK SEMESTER AWAL MENGGUNAKAN MACHINE LEARNING,” Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI), vol. 07, 2026.
[3] M. S. W. Putra and H. Baskoro, “Pengaruh keaktifan organisasi, motivasi belajar dan teman sebaya terhadap prestasi belajar mahasiswa program studi manajemen,” Insight Management Journal, vol. 3, no. 3, pp. 207–216, May 2023, doi: 10.47065/imj.v3i3.264.
[4] J. Lu et al., “Machine learning analysis of factors affecting college students’ academic performance,” Front. Psychol., vol. 15, 2024, doi: 10.3389/fpsyg.2024.1447825.
[5] V. Y. D. Wijaya and G. Brotosaputro, “Penerapan Data Mining Dalam Prediksi Kinerja Akademik Mahasiswa Menggunakan Algoritma Machine Learning.”
[6] S. A. A. Balabied and H. F. Eid, “Utilizing random forest algorithm for early detection of academic underperformance in open learning environments,” PeerJ Comput. Sci., vol. 9, 2023, doi: 10.7717/peerj-cs.1708.
[7] A. Fatunnisa and H. Marcos, “Prediksi Kelulusan Tepat Waktu Siswa SMK Teknik Komputer Menggunakan Algoritma Random Forest,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 1, pp. 101–111, Apr. 2024, doi: 10.34010/jamika.v14i1.12114.
[8] D. O. E. Wantos and D. S. Bahri, “Analysis and Prediction of Student Academic Performance Using the Random Forest Algorithm,” Jurnal Inotera, vol. 11, no. 1, pp. 232–239, Apr. 2026, doi: 10.31572/inotera.Vol11.Iss1.2026.ID657.
[9] R. Hidayat, H. Gultom, and Y. Samudra, “Predicting Student Academic Performance Using Learning Activity Data: A Comparative Study of Random Forest and Decision Tree Models,” vol. 4, no. 3, pp. 2829–2529, 2025, doi: 10.52158/rjti.v4i3.4032.
[10] M. Nachouki, E. A. Mohamed, R. Mehdi, and M. A. Naaj, “Student course grade prediction using the random forest algorithm: Analysis of predictors’ importance,” Trends Neurosci. Educ., vol. 33, Dec. 2023, doi: 10.1016/j.tine.2023.100214.
