Implementasi Algoritma Random Forest untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik: Studi Kasus di Perguruan Tinggi Indonesia

Article Sidebar

PDF
Published: Feb 11, 2025
DOI: https://doi.org/10.62357/jsit.v4i2.464
Keywords:
Algoritma Random Forest Machine Learning Akademik IPK

Main Article Content

Harkamsyah Andrianof
Aggy Pramana Gusman
Universitas Putra Indonesia YPTK Padang
Okta Andrica Putra
Universitas Putra Indonesia YPTK Padang

Abstract

Tingkat kelulusan mahasiswa tepat waktu adalah ukuran penting untuk mengetahui seberapa efektif sistem pendidikan tinggi. Untuk memprediksi kelulusan siswa berdasarkan data akademik, penelitian ini menggunakan algoritma Random Forest. Penelitian ini menghasilkan model prediktif dengan menganalisis faktor seperti IPK, kehadiran, dan nilai mata kuliah inti dari dataset seribu catatan mahasiswa dari berbagai program studi. Metode pembelajaran mesin ini dipilih karena kemampuan untuk menangani data yang rumit dan membuat prediksi yang akurat. Hasil penelitian menunjukkan bahwa algoritma Hutan Random memiliki akurasi 87,5% dalam memprediksi status kelulusan siswa, serta presisi 86,3% dan recall 85,9 %. Tingkat kehadiran dan IPK adalah faktor paling penting dalam menentukan kelulusan tepat waktu, menurut analisis fitur penting. Model ini dapat membantu institusi pendidikan menemukan siswa yang berisiko tidak lulus tepat waktu, memungkinkan intervensi dini untuk meningkatkan tingkat kelulusan.

Article Details

Issue
Vol. 4 No. 1 (2025): Jurnal Sains Informatika Terapan (Februari, 2025)
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

References

Pratama, A., & Susanto, B. (2023). "Implementasi Machine Learning untuk Prediksi Akademik: Studi Kasus di Perguruan Tinggi Indonesia." Jurnal Informatika Indonesia, 8(2), 45-58.

Rahman, S., et al. (2022). "Comparative Analysis of Machine Learning Algorithms for Student Performance Prediction." International Journal of Educational Technology, 15(3), 167-182.

Wijaya, D., & Putra, R. (2021). "Random Forest untuk Prediksi Keberhasilan Akademik: Sebuah Pendekatan Data Mining." Jurnal Teknologi Informasi dan Ilmu Komputer, 12(1), 89-102.

Kusuma, H., & Hartono, R. (2023). "Optimasi Parameter Random Forest untuk Peningkatan Akurasi Prediksi Akademik." Jurnal Sistem Informasi Indonesia, 9(4), 234-249.

Nugroho, Y., et al. (2022). "Machine Learning dalam Pendidikan: Implementasi dan Evaluasi." Jurnal Pendidikan Teknologi Informasi, 7(2), 112-127.

Sari, M., & Wibowo, A. (2023). "Analisis Komparatif Algoritma Machine Learning untuk Prediksi Performa Akademik." Journal of Data Science and Analytics, 5(1), 78-93.

Permana, I., et al. (2022). "Implementasi Deep Learning untuk Prediksi Keberhasilan Akademik Mahasiswa." Jurnal Artificial Intelligence Indonesia, 4(2), 156-171.

Abdullah, M., et al. (2023). "Deep Learning Approaches in Educational Data Mining." International Journal of Educational Technology in Higher Education, 18(4), 234-251.

Budi, S., & Hartanto, R. (2022). "Prediksi Performa Akademik Menggunakan Ensemble Learning." Jurnal Teknologi Pendidikan Indonesia, 6(2), 145-160.

Chen, X., et al. (2023). "Machine Learning for Student Success: A Systematic Review." Computers & Education, 180, 104432.

Dewi, R., & Santoso, H. (2022). "Implementasi Random Forest dalam Analisis Data Pendidikan." Jurnal Informatika Pendidikan, 8(3), 178-193.

Fadli, A., et al. (2023). "Optimizing Educational Outcomes through Machine Learning." International Journal of Educational Data Mining, 5(2), 89-104.

Gunawan, H., & Prasetyo, B. (2022). "Machine Learning untuk Prediksi Akademik: State of the Art." Jurnal Artificial Intelligence Indonesia, 7(1), 45-62.

Handayani, S., et al. (2023). "Comparative Study of Predictive Models in Higher Education." Journal of Educational Data Science, 4(3), 167-182.

Indrawati, L., & Jaya, R. (2022). "Penerapan Algoritma Random Forest untuk Analisis Prediktif Akademik." Jurnal Sistem Informasi dan Teknologi, 9(2), 123-138.

Johnson, K., et al. (2023). "Educational Data Mining: Trends and Opportunities." International Journal of Educational Technology, 20(3), 456-471.

Kumar, R., et al. (2022). "Machine Learning in Higher Education: A Comprehensive Review." Educational Data Mining Journal, 12(4), 289-304.

Liu, Y., et al. (2023). "Predictive Analytics in Education: Current Trends and Future Directions." Journal of Educational Computing Research, 61(5), 678-693.

Mulyani, E., & Supriadi, D. (2022). "Analisis Prediktif Menggunakan Random Forest di Perguruan Tinggi." Jurnal Riset Informatika, 5(3), 234-249.

Novita, D., et al. (2023). "Machine Learning untuk Optimasi Pembelajaran." Jurnal Teknologi Pembelajaran, 8(1), 56-71.

Putri, A., & Rahman, B. (2022). "Implementasi AI dalam Pendidikan Tinggi Indonesia." Jurnal Pendidikan dan Teknologi, 6(4), 178-193.

Smith, J., et al. (2023). "Advanced Machine Learning Techniques in Educational Data Mining." International Journal of Artificial Intelligence in Education, 33(2), 345-360.

Supriyadi, H., et al. (2022). "Prediksi Keberhasilan Akademik: Pendekatan Machine Learning." Jurnal Ilmu Komputer dan Informatika, 7(2), 145-160.

Wang, L., et al. (2023). "Educational Data Analytics: A Machine Learning Perspective." Journal of Learning Analytics, 10(3), 234-249.

Yulianto, S., & Pratama, R. (2022). "Optimasi Model Random Forest untuk Prediksi Akademik." Jurnal Komputasi, 6(1), 78-93