Prediksi Aktivitas Belajar Efektif Mahasiswa Menggunakan Algoritma Decision Tree
Keywords:
Machine Learning, Decision Tree, Efektivitas Belajar, Mahasiswa, PrediksiAbstract
Proses pembelajaran di perguruan tinggi memerlukan evaluasi mendalam untuk memastikan efektivitasnya. Penelitian ini bertujuan untuk memprediksi efektivitas belajar mahasiswa menggunakan pendekatan machine learning dengan algoritma Decision Tree. Data penelitian diperoleh dari kuesioner yang melibatkan 900 responden mahasiswa Universitas Duta Bangsa (UDB). Variabel yang dianalisis dalam penelitian ini meliputi semester, gender, metode belajar, durasi belajar, gangguan digital, lingkungan pendukung, tingkat pemahaman materi, dan efektivitas belajar sebagai variabel target. Tahapan penelitian meliputi studi literatur, pengumpulan data, preprocessing data, pembagian dataset menjadi data latih dan data uji, pembangunan model Decision Tree, evaluasi model menggunakan Confusion Matrix, Accuracy, Precision, Recall, F1-Score, ROC Curve, AUC-ROC, serta 5-fold Cross Validation, kemudian dilanjutkan dengan analisis feature importance. Hasil pengujian menunjukkan bahwa model Decision Tree mampu memprediksi efektivitas belajar dengan tingkat accuracy sebesar 83,33%, precision 94,87%, recall 82,22%, dan F1-Score sebesar 88,10%. Pengujian kurva karakteristik operasi penerima (Receiver Operating Characteristic) menghasilkan nilai AUC-ROC sebesar 0,8669, sementara validasi silang (5-fold cross-validation) memberikan rata-rata akurasi stabil di angka 81,89% ± 5,68%. Analisis kepentingan fitur menunjukkan bahwa metode belajar menjadi faktor yang paling dominan dalam menentukan efektivitas belajar mahasiswa. Penelitian ini membuktikan bahwa pendekatan berbasis data menggunakan Decision Tree dapat memberikan rekomendasi strategis bagi institusi pendidikan dalam mengoptimalkan sistem pembelajaran.
References
[1] F. Martin, S. Long, K. Haywood, and K. Xie, "Digital distractions in education: a systematic review of research on causes, consequences and prevention strategies," Educ. Technol. Res. Dev., vol. 73, no. 6, pp. 3423-3451, 2025, doi: 10.1007/s11423-025-10550-6.
[2] J. B. Manulat, "Key predictors of academic success in flexible learning environments: a PLS-SEM analysis," Front. Educ., vol. 10, no. October, 2025, doi: 10.3389/feduc.2025.1633040.
[3] J. Li et al., "The multi-parameter optimized belief rule base for predicting student performance with interpretability," Sci. Rep., no. 1, pp. 1-23, 2026, doi: 10.1038/s41598-026-35950-3.
[4] S. Boujmiraz, H. Darhmaoui, and A. Drissi el maliani, "Predicting student performance: A comprehensive review of machine learning, deep learning, and explainable AI approaches," Comput. Educ. Artif. Intell., vol. 10, no. July 2025, p. 100548, 2026, doi: 10.1016/j.caeai.2026.100548.
[5] C. Liu and S. Yu, "Students' stress prediction and explainable analysis based on improved decision trees," Front. Psychol., vol. 16, no. January, pp. 1-18, 2026, doi: 10.3389/fpsyg.2025.1684529.
[6] R. Guevara-Reyes, I. Ortiz-Garcés, R. Andrade, F. Cox-Riquetti, and W. Villegas-Ch, "Machine learning models for academic performance prediction: interpretability and application in educational decision-making," Front. Educ., vol. 10, no. August, pp. 1-27, 2025, doi: 10.3389/feduc.2025.1632315.
[7] E. Ahmed, "Student Performance Prediction Using Machine Learning Algorithms," Appl. Comput. Intell. Soft Comput., vol. 2024, 2024, doi: 10.1155/2024/4067721.
[8] A. T. Wahyono, D. J. Novianto, T. A. Nugroho, and F. Agusti, "Optimalisasi Rute Perjalanan Menuju Kampus Universitas Duta Bangsa Surakarta Dengan Metode Dynamic Programming," J. Sci. Innov. Technol., vol. 4, no. 2, pp. 14-19, 2024, doi: 10.47701/sintech.v4i2.3924.
[9] C. Satifa, E. Purwanto, and H. Permatasari, "Sistem Informasi Monitoring Pembelajaran Berbasis Web Pada Rumah Belajar Al Maarif Sukoharjo," Duta.com J. Ilm. Teknol. Inf. dan Komun., vol. 18, no. 1, pp. 13-19, 2025, doi: 10.47701/dutacom.v18i1.5682.
[10] S. Alvian Setiono and E. Purwanto, "Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree," Pros. Semin. Nas. Teknol. Inf. dan Bisnis, pp. 401-406, 2025, doi: 10.47701/4q3z9j41.
[11] P. Studi et al., "Konsep Tekhnologi Machine Learning Dalam Prediksi Kebutuhan Belajar Mahasiswa," no. 2, pp. 155-165, 2025, doi: 10.25126/jtiik.2025129190.
[12] M. H. Arief, M. A. W. Saputra, K. Afandi, D. Novtahaning, and N. A. Ranggianto, "Optimalisasi Klasifikasi Performa Akademik Mahasiswa dengan Pendekatan Metaheuristik Berbasis Educational Data Mining," Remik, vol. 9, no. 3, pp. 943-951, 2025, doi: 10.33395/remik.v9i3.15168.
[13] G. Zeng, "Invariance Properties and Evaluation Metrics Derived from the Confusion Matrix in Multiclass Classification," Mathematics, vol. 13, no. 16, 2025, doi: 10.3390/math13162609.
[14] R. Susmaga, "Confusion Matrix Visualization," Intell. Inf. Process. Web Min., pp. 107-116, 2004, doi: 10.1007/978-3-540-39985-8_12.
[15] E. G. Dandamudi et al., "Performance of transformer-convolutional neural network ensemble for melanoma diagnosis on segmented 3D total body photography data: Cross-Validation stratified K-fold," Biosens. Bioelectron. X, vol. 27, no. November, p. 100714, 2025, doi: 10.1016/j.biosx.2025.100714.
