EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Analisis Komparatif Algoritma Decision Tree dan Random Forest untuk Prediksi Kelulusan Mahasiswa

Yuce Yuliani

RIGGS: Journal of Artificial Intelligence and Digital Business · 21.07.2026 · 5 (2) · 17235-17242

DOI: 10.31004/riggs.v5i2.10534 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 21.07.2026. Verfasst von Yuce Yuliani. Die Arbeit wurde bisher 1-mal zitiert (Crossref). Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Prediksi kelulusan mahasiswa merupakan salah satu upaya strategis yang dapat dilakukan perguruan tinggi untuk meningkatkan kualitas layanan akademik, mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan studi, serta mengurangi risiko dropout melalui pemberian intervensi akademik secara lebih dini. Pemanfaatan teknik data mining dan machine learning memungkinkan institusi pendidikan menghasilkan model prediksi yang akurat sebagai dasar pengambilan keputusan berbasis data. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelulusan mahasiswa menggunakan dataset Predict Students' Dropout and Academic Success yang diperoleh dari UCI Machine Learning Repository. Dataset awal terdiri atas 4.424 data mahasiswa dengan 37 atribut yang mencakup karakteristik akademik, demografis, dan sosial ekonomi. Setelah melalui tahapan preprocessing yang meliputi pembersihan data, seleksi kelas, dan penanganan data yang tidak relevan, diperoleh 3.630 data yang digunakan dalam proses pemodelan. Data kemudian dibagi menjadi data pelatihan sebesar 80% dan data pengujian sebesar 20%. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa yang lebih baik dibandingkan Decision Tree dengan nilai accuracy sebesar 91,46%, sedangkan Decision Tree memperoleh accuracy sebesar 85,81%. Analisis feature importance menunjukkan bahwa variabel akademik, terutama Curricular Units 2nd Sem (Approved) dan Curricular Units 2nd Sem (Grade), merupakan faktor yang paling berpengaruh terhadap kelulusan mahasiswa. Temuan ini menunjukkan bahwa Random Forest merupakan model yang efektif untuk memprediksi kelulusan mahasiswa dan berpotensi diimplementasikan sebagai bagian dari sistem peringatan dini guna mendukung peningkatan keberhasilan studi di perguruan tinggi.

Zitieren

APA

Yuliani, Y. (2026). Analisis Komparatif Algoritma Decision Tree dan Random Forest untuk Prediksi Kelulusan Mahasiswa. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 17235-17242. https://doi.org/10.31004/riggs.v5i2.10534

Vancouver

Yuliani Y. Analisis Komparatif Algoritma Decision Tree dan Random Forest untuk Prediksi Kelulusan Mahasiswa. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):17235-17242. doi:10.31004/riggs.v5i2.10534

BibTeX
@article{Yuliani2026,
  author = {Yuliani, Yuce},
  title = {Analisis Komparatif Algoritma Decision Tree dan Random Forest untuk Prediksi Kelulusan Mahasiswa},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {17235--17242},
  doi = {10.31004/riggs.v5i2.10534}
}
Kostenlos starten →