Perbandingan Model Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree dan Naive Bayes

Faradillah; Muhammad Fadhiel Alie; Imelda  Saluza

doi:10.51454/decode.v5i2.1230

Authors

Faradillah Sistem Informasi Universitas Indo Global Mandiri
Muhammad Fadhiel Alie Sistem Informasi Universitas Indo Global Mandiri
Imelda Saluza Sistem Informasi Universitas Indo Global Mandiri

DOI:

https://doi.org/10.51454/decode.v5i2.1230

Keywords:

Machine Learning, Prediksi Kelulusan, RapidMiner

Abstract

Kelulusan mahasiswa merupakan salah satu indikator utama kinerja perguruan tinggi yang dipengaruhi oleh berbagai faktor akademik dan non-akademik. Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa menggunakan pendekatan machine learning dengan membandingkan kinerja tiga algoritma, yaitu Decision Tree, dan Naive Bayes. Dataset yang digunakan berjumlah 200 data mahasiswa, dengan variabel prediktor yang meliputi IPK kumulatif, jumlah SKS, tingkat kehadiran, jumlah remedial, status beasiswa, keaktifan organisasi, serta latar belakang ekonomi. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi sebesar 93%, precision 94%, recall 95%, dan F1-Score 94%. sedangkan Naive Bayes memperoleh akurasi 88%. Faktor-faktor utama yang mempengaruhi kelulusan mahasiswa berdasarkan model Decision Tree adalah IPK, tingkat kehadiran, jumlah pengulangan mata kuliah, serta keaktifan organisasi dan status beasiswa. Model yang dihasilkan diharapkan dapat digunakan sebagai alat bantu pengambilan keputusan bagi perguruan tinggi dalam melakukan monitoring akademik dan deteksi dini mahasiswa yang berpotensi mengalami keterlambatan kelulusan.

References

Ainurrohmah, A. (2021). Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka. Prosiding Seminar Nasional Matematika, 4, 493–499. https://journal.unnes.ac.id/sju/index.php/prisma/

Alwarthan, S. A., Aslam, N., & Khan, I. U. (2022). Predicting Student Academic Performance at Higher Education Using Data Mining: A Systematic Review. Applied Computational Intelligence and Soft Computing, 2022, 1–26. https://doi.org/10.1155/2022/8924028

Andriansyah, D., & Fridayanthie, E. W. (2023). Optimization of Support Vector Machine and XGBoost Methods Using Feature Selection to Improve Classification Performance. Journal Of Informatics And Telecommunication Engineering, 6(2), 484–493. https://doi.org/10.31289/jite.v6i2.8373

Annizar, A. M., Arifin, M.(2021). Perbedaan Prestasi Belajar Mahasiswa Ditinjau Dari Jalur Seleksi Masuk Perguruan Tinggi. SAP (Susunan Artikel Pendidikan, 5(3). http://dx.doi.org/10.30998/sap.v5i3.8411

Astuti, T., & Astuti, Y. (2022). Analisis Sentimen Review Produk Skincare Dengan Naïve Bayes Classifier Berbasis Particle Swarm Optimization (PSO). Jurnal Media Informatika Budidarma, 6(4), 1806–1815. https://doi.org/10.30865/mib.v6i4.4119

Damuri, A., Riyanto, U., Rusdianto, H., & Aminudin, M. (2021). Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako. JURIKOM (Jurnal Riset Komputer), 8(6), 219. https://doi.org/10.30865/jurikom.v8i6.3655

Faradillah, F., Ermatita, E., & Rini, D. P. (2020). Knowledge Management Barriers in Higher Education: Strategic Issues at Private University. Atlantis Press, 189–193. https://doi.org/10.2991/aisr.k.200424.027

Figurek, A., Cirella, G. T., Goncharuk, A. G., Iortyom, E. T., Vaskovic, U., & Abebe, S. T. (2022). Textual Analysis of Quality Assurance Development in Bosnia and Herzegovina’s Higher Education Sector. Acta Paedagogica Vilnensia, 48, 8–25. https://doi.org/10.15388/ActPaed.2022.48.1

Ha, S., Choi, S. J., Lee, S., Wijaya, R. H., Kim, J. H., Joo, E. Y., & Kim, J. K. (2023). Predicting the Risk of Sleep Disorders Using a Machine Learning-Based Simple Questionnaire: Development and Validation Study. Journal of Medical Internet Research, 25(1). https://doi.org/10.2196/46520

Hartono, R., Saputra, H. A., & Triyono, G. (2024). Pemodelan Prediksi Alokasi Pagu Belanja Pegawai dengan Metode Neural Network dan Linear Regression. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 865–880. https://doi.org/10.51454/decode.v4i3.708

Hernawan, Y., Dewi, S. W. K., & Musafa, M. (2019). The Implementation of Iso 9001: 2015 Quality Management System at PT Tarumatex Bandung. Journal of Economicate Studies, 2(1). https://doi.org/10.32506/joes.v2i1.487

Hidayat, A. A., Budiarto, A., & Pardamean, B. (2023). Long Short-Term Memory-based Models for Sleep Quality Prediction from Wearable Device Time Series Data. Procedia Computer Science, 227, 1062– 1069. https://doi.org/10.1016/j.procs.2023.10.616

Hou, A. Y. C., Hill, C., Justiniano, D., Lin, A. F. Y., & Tasi, S. (2022). Is employer engagement effective in external quality assurance of higher education? A paradigm shift or QA disruption from quality assurance perspectives in Asia. Higher Education, 84(5), 935–954. https://doi.org/10.1007/s10734- 021-00808-2

Irsyada, R., Isbiyantoro, S., Wibawa, A. P., Teng, M. F., Gaffar, A. F. O., Herdianto, R., & Witarsa, A. R. (2018). Achievement of quality management system ISO 9001:2015 strategy in Vocational High School. IOP Conference Series: Materials Science and Engineering, 403(1). https://doi.org/10.1088/1757- 899X/403/1/012077

Isnan, M. H. I., & Ikhwan, A. (2024). Sistem Informasi Penyebaran Penyakit Tuberculosis Paru Di Puskesmas Karang Rejo Dengan Metode K-Means Clustering Berbasis Web. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 854–864. https://doi.org/10.51454/decode.v4i3.728

Legowo, M. B., Indiarto, B., & Prayitno, D. (2020). A unified model of quality assurance system for ISO- certified higher education institutions. International Journal for Quality Research, 14(3), 829–846. https://doi.org/10.24874/IJQR14.03-12

Legowo, M. B. (2018). Modeling Of Quality Assurance Information System For Iso-Certified Higher Education Institutions. Jurnal Penelitian Pos Dan Informatika, 8(2), 155. https://doi.org/10.17933/jppi.2018.080205

Luchia, N. T., Handayani, H., Hamdi, F. S., Erlangga, D., & Octavia, S. F. (2022). Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia. Indonesian Journal of Machine Learning and Computer Science. 2(2), 35–41. https://doi.org/10.57152/malcom.v2i2.422

Lumbanraja, F. R., Saputra, R. A., Muludi, K., Hijriani, A., & Junaidi, A. (2021). Implementasi Support Vector Machine dalam Memprediksi Harga Rumah pada Perumahan di Kota Bandar Lampung. Jurnal Ilmiah Ilmu Komputer & Sistem Informasi, 2(3). https://doi.org/10.23960/pepadun.v2i3.90

Nahjan, M. R., Heryana, N., & Voutama, A. (2023). Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko Oj Cell. Jurnal Mahasiswa Teknik Informatika 7(1). http://dx.doi.org/10.36040/jati.v7i1.6094

Nalim, N., Dewi, H. L., & Safii, M. A. (2021). Analisis Faktor-Faktor yang Mempengaruhi Keberhasilan Studi Mahasiswa di PTKIN Provinsi Jawa Tengah. Jurnal Kependidikan: Jurnal Hasil Penelitian Dan Kajian Kepustakaan Di Bidang Pendidikan, Pengajaran Dan Pembelajaran, 7(4), 1003. https://doi.org/10.33394/jk.v7i4.3430

Nuryasin, I. (2018). Prototype of Personal Knowledge Management on Higher Education. Jurnal Informatika: Jurnal Pengembangan IT Poltek Tegal, 03(01), 36–39. https://doi.org/10.30591/jpit.v3i1.662

Santoni, M. M., Chamidah, N., & Matondang, N. (2020). Prediction of Hypertension using Decision Tree, Naïve Bayes and Artificial Neural Networks in KNIME. Techno, 19(4). https://doi.org/10.33633/tc.v19i4.3872

Satria, A., Badri, R. M., & Safitri, I. (2023). Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning. Digital Transformation Technology, 3(2), 389–398. https://doi.org/10.47709/digitech.v3i2.2852

Wang, T. (2007). Application of consistent fuzzy preference relations in predicting the success of knowledge management implementation. European Journal Of Operational Research, 182, 1313–1329. https://doi.org/10.1016/j.ejor.2006.09.039

Wijaya, A. P., & Santoso, H. A. (2016). Naive Bayes Classification pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government. Journal of Applied Intelligent System, 1(1), 48–55. https://doi.org/10.33633/jais.v1i1.1032

Zeng, Z., Peng, W., & Zhao, B. (2021). Improving the Accuracy of Network Intrusion Detection with Causal Machine Learning. Security and Communication Networks, 2022(1). https://doi.org/10.1155/2021/8986243

Zhou, Z., Liu, Y., Yu, H., & Ren, L. (2020). The influence of machine learning-based knowledge management model on enterprise organizational capability innovation and industrial development. PLoS ONE, 15(12). https://doi.org/10.1371/journal.pone.0242253