EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Analisis Prediksi Drop out Mahasiswa dengan Random Forest Studi Kasus Fakultas Ilmu Komputer Universitas Esa Unggul

David Andrew Sitinjak

RIGGS: Journal of Artificial Intelligence and Digital Business · 17.03.2026 · 5 (1) · 8740-8748

DOI: 10.31004/riggs.v5i1.6904 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 17.03.2026. Verfasst von David Andrew Sitinjak. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Seiring dengan berkembangnya kemajuan teknologi dan pemanfaatan data analytics di bidang pendidikan, saat ini perguruan tinggi dapat menilai, memprediksi, dan mengungkapkan potensi permasalahan akademik mahasiswa, termasuk risiko drop out. Berbagai media dan sumber data akademik dapat dimanfaatkan untuk menganalisis permasalahan tersebut, salah satunya adalah data akademik internal seperti nilai, kehadiran, lama studi, dan aktivitas perkuliahan mahasiswa. Data ini dapat menjadi sumber penting untuk mengidentifikasi mahasiswa yang berpotensi drop out sehingga pihak universitas dapat melakukan tindakan preventif lebih awal. Fakultas Ilmu Komputer (Fasilkom) Universitas Esa Unggul, misalnya, memiliki berbagai data akademik yang dapat diolah menjadi informasi prediktif terkait potensi drop out mahasiswa. Walaupun sistem akademik telah berjalan cukup baik, tidak sedikit mahasiswa yang menghadapi kendala akademik hingga berisiko drop out. Oleh karena itu, diperlukan metode analisis yang akurat untuk memprediksi potensi tersebut. Dengan tingkat akurasi yang cukup tinggi yang dihasilkan oleh algoritma Random Forest, maka metode ini dinilai tepat untuk digunakan dalam menganalisis potensi drop out mahasiswa. Tujuan dari penelitian ini adalah untuk mengetahui hasil dari penerapan algoritma Random Forest dalam melakukan klasifikasi mahasiswa yang berpotensi drop out di Fasilkom Universitas Esa Unggul serta mengukur tingkat akurasinya. Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi literatur dan data preprocessing (filtering, cleaning, dan transformasi data). Sementara itu, metode implementasi dilakukan melalui tahapan analisis, pemodelan menggunakan Random Forest, serta pengujian model.

Zitieren

APA

Sitinjak, D. A. (2026). Analisis Prediksi Drop out Mahasiswa dengan Random Forest Studi Kasus Fakultas Ilmu Komputer Universitas Esa Unggul. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(1), 8740-8748. https://doi.org/10.31004/riggs.v5i1.6904

Vancouver

Sitinjak DA. Analisis Prediksi Drop out Mahasiswa dengan Random Forest Studi Kasus Fakultas Ilmu Komputer Universitas Esa Unggul. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(1):8740-8748. doi:10.31004/riggs.v5i1.6904

BibTeX
@article{Sitinjak2026,
  author = {Sitinjak, David Andrew},
  title = {Analisis Prediksi Drop out Mahasiswa dengan Random Forest Studi Kasus Fakultas Ilmu Komputer Universitas Esa Unggul},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {1},
  pages = {8740--8748},
  doi = {10.31004/riggs.v5i1.6904}
}
Kostenlos starten →