Implementasi Algoritma Random Forest untuk Klasifikasi Tingkat Produktivitas Mahasiswa Berdasarkan Aktivitas Akademik dan Non Akademik
Keywords:
Random Forest, Klasifikasi, Produktivitas Mahasiswa, CRISP-DM, FlaskAbstract
Produktivitas mahasiswa merupakan salah satu indikator penting dalam mengevaluasi keberhasilan proses pembelajaran di perguruan tinggi. Tingkat produktivitas dipengaruhi oleh berbagai aktivitas akademik dan nonakademik sehingga diperlukan suatu metode yang mampu mengklasifikasikan tingkat produktivitas mahasiswa secara cepat dan akurat. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest dalam mengklasifikasikan tingkat produktivitas mahasiswa berdasarkan aktivitas akademik dan nonakademik serta mengembangkan sistem berbasis web sebagai implementasi model klasifikasi. Penelitian menggunakan Student Performance Dataset yang terdiri dari 2.392 data mahasiswa dengan atribut GPA, StudyTimeWeekly, Absences, Tutoring, ParentalSupport, Extracurricular, Sports, Music, dan Volunteering, sedangkan GradeClass digunakan sebagai variabel target. Metode penelitian mengacu pada tahapan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Proses pemodelan dilakukan menggunakan algoritma Random Forest, sedangkan evaluasi model menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa model Random Forest memperoleh tingkat akurasi sebesar 91,44%, sehingga mampu mengklasifikasikan tingkat produktivitas mahasiswa dengan baik. Model yang telah dibangun kemudian diimplementasikan ke dalam sistem berbasis web menggunakan Flask, sehingga pengguna dapat melakukan prediksi tingkat produktivitas mahasiswa berdasarkan data akademik dan nonakademik yang dimasukkan. Hasil penelitian menunjukkan bahwa algoritma Random Forest efektif digunakan dalam klasifikasi tingkat produktivitas mahasiswa dan dapat menjadi pendukung dalam proses evaluasi akademik di lingkungan perguruan tinggi.
References
[1] & M. 2023. Taufik, "arus jurnal pendidikan ( AJUP ) kegiatan ekstrakurikuler dalam meningkatkan prestasi akademik," Taufik, ma'arif. 2023, 2023.
[2] F. Mawaddah, N. K. Daulay, and H. Fauza, "Strategi Kepala Madrasah dalam Meningkatkan Prestasi Non Akademik Siswa melalui Kegiatan Ekstrakurikuler Di MTs Negeri 3 Medan," Al-Tarbiyah J. Ilmu Pendidik. Islam, vol. 1, no. 4, p. 100, 2023.
[3] J. C. Saksana, "AnalisisPengaruhMotivasiBelajar,KemampuanKognitifdan Manajemen Waktu Terhadap Prestasi Belajar Mahasisw," J. Pendidik. dan Kebud. Nusant., vol. 2, no. 4, pp. 172-181, 2024.
[4] S. A. A. Kharis and A. H. A. Zili, "Learning Analytics dan Educational Data Mining pada Data Pendidikan," J. Ris. Pembelajaran Mat. Sekol., vol. 6, no. 1, pp. 12-20, 2022, doi: 10.21009/jrpms.061.02.
[5] N. Hendrastuty, "Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa," J. Ilm. Inform. dan Ilmu Komput., vol. 3, no. 1, pp. 46-56, 2024, doi: 10.58602/jima-ilkom.v3i1.26.
[6] A. Putra Argadinata, D. Abdul Fatah, and H. Sukri, "Klasifikasi Kualitas Buah Apel Menggunakan Metode Random Forest," JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2016-2022, 2025, doi: 10.36040/jati.v9i2.12854.
[7] N. I. Yaman, A. R. Juwita, S. A. P. Lestari, and S. Faisal, "Perbandingan Kinerja Algoritma Decision Tree dan Random Forest untuk Klasifikasi Nutrisi pada Makanan Cepat Saji," J. Algoritm., vol. 21, no. 2, pp. 184-196, 2024, doi: 10.33364/algoritma/v.21-2.1649.
[8] I. Maulita and A. M. Wahid, "Prediksi Magnitudo Gempa Menggunakan Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron Berdasarkan Data Kedalaman dan Geolokasi," J. Pendidik. dan Teknol. Indones., vol. 4, no. 5, pp. 221-232, 2024, doi: 10.52436/1.jpti.470.
[9] P. Aliya, S. Nurbaeti, A. Firdaus, F. Suparman, and M. Pd, "3 1,2,3," vol. 11, no. April, pp. 156-165, 2025.
[10] A. Pratama, A. C. Nurcahyo, and L. Firgia, "Penerapan Machine Learning dengan Algoritma Logistik Regresi untuk Memprediksi Diabetes," Pros. CORISINDO 2023, p. 117, 2023, [Online]. Available: https://stmikpontianak.org/ojs/index.php/corisindo/article/view/30%0Ahttps://stmikpontianak.org/ojs/index.php/corisindo/article/download/30/22
[11] I. Setiawan, R. Fina Antika Cahyani, and I. Sadida, "Exploring Complex Decision Trees: Unveiling Data Patterns and Optimal Predictive Power," J. Innov. Futur. Technol., vol. 5, no. 2, pp. 112-123, 2023, doi: 10.47080/iftech.v5i2.2829.
[12] D. B. Saputra, V. Atina, and F. E. Nastiti, "Penerapan Model Crisp-Dm Pada Prediksi Nasabah Kredit Menggunakan Algoritma Random Forest," IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 240-247, 2024, doi: 10.36080/idealis.v7i2.3244.
[13] D. Triyana, M. Muharrom Al Haromainy, and H. Maulana, "Implementasi Metode Ensemble Majority Vote Pada Algoritma Naive Bayes Dan Random Forest Untuk Analisis Sentimen Twitter Harga Tiket Pesawat Domestik," JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7885-7894, 2024, doi: 10.36040/jati.v8i4.10475.
[14] M. Azhari, Z. Situmorang, and R. Rosnelly, "Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes," J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.
[15] S. Helmiyah, R. Pramestiawan, P. Studi Pendidikan Informatika, and S. Tinggi Keguruan dan Ilmu Pendidikan Rosalia Lampung, "Analisis Komparatif Algoritma Machine Learning dengan Metrik Akurasi, Presisi, Recall, dan F1-Score pada Dataset Kacang Kering," J. Ilmu Komput. Dan Teknol., vol. 6, no. 3, pp. 152-159, 2025, [Online]. Available: https://doi.org/10.35960/ikomti.v6i3.2031%0Ahttp://creativecommons.org/licences/by/4.0/%0Ahttp://ejournal.uhb.ac.id/index.php/IKOMTI
