Prediksi Kelulusan Mahasiswa Menggunakan Metode K-Means dan Random Forest
DOI:
https://doi.org/10.52436/1.jpti.577Keywords:
Random Forest, K-Means, Kelulusan, Mahasiswa, PrediksiAbstract
Keberhasilan dalam menghasilkan lulusan tepat waktu di institusi pendidikan tinggi mencerminkan kualitas akademik yang baik. Prediksi kelulusan mahasiswa tepat waktu menjadi tantangan penting dalam mendukung keputusan strategis bagi mahasiswa dan institusi. Penelitian ini bertujuan untuk mengembangkan model prediksi kelulusan mahasiswa tepat waktu pada program pascasarjana menggunakan algoritma K-Means dan Random Forest. K-Means digunakan untuk mengelompokkan mahasiswa berdasarkan atribut-atribut penting seperti IPK, jumlah kredit, dan lama studi, sedangkan Random Forest diterapkan untuk klasifikasi status kelulusan berdasarkan pola-pola yang dihasilkan dari pengelompokan. Kombinasi metode ini diharapkan dapat memberikan hasil prediksi yang lebih akurat dan dapat diterapkan dalam mendukung pengambilan keputusan terkait kelulusan mahasiswa tepat waktu. Hasil evaluasi menunjukkan bahwa model prediksi yang dibangun memiliki tingkat akurasi tinggi, dengan Random Forest menunjukkan akurasi sebesar 98.41% dalam membedakan antara mahasiswa yang lulus tepat waktu dan yang terlambat, serta model K-Means mampu mengelompokkan data mahasiswa dengan baik berdasarkan pola yang ditemukan dalam dataset.
Downloads
References
V. Alvianatinova, I. Ali, N. Rahaningsih, and A. Bahtiar, “Penerapan Algoritma K-Means Clustering dalam Pengelompokan Data Penjualan Supermarket Berdasarkan Cabang (Branch),” JATI J. Mhs. Tek. Inform., vol. 8(2), pp. 1529–1535, 2024.
L. Breiman, “Random Forest,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
M. A. Banjarsari, H. I. Budiman, and A. Farmadi, “Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4,” Kumpul. J. Ilmu Komput. KLIK, vol. 2(2), pp. 50–64, 2015, doi: http://dx.doi.org/10.20527/klik.v2i2.26.
A. K. Jain, “Data clustering: 50 years beyond K-means,” Pattern Recognit. Lett., vol. 31, no. 8, pp. 651–666, Jun. 2010, doi: 10.1016/j.patrec.2009.09.011.
L. Breiman and A. Cutler, “Package ‘Random Forest,’” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
A. Liaw and M. Wiener, “Classification and Regression by RandomForest,” R News, vol. 2(3), pp. 18–22, 2002.
J. Attenberg and ?. Ertekin, “Class Imbalance and Active Learning,” in Imbalanced Learning, 1st ed., H. He and Y. Ma, Eds., Wiley, 2013, pp. 101–149. doi: 10.1002/9781118646106.ch6.
J. B. MacQueen, “Some Methods for classification and Analysis of Multivariate Observations,” in Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley: University of California Press, 1967, pp. 281–297.
J. Han, M. Kamber, and J. Pei, Data mining: concepts and techniques, 3rd ed. in Morgan Kaufmann series in data management systems. Amsterdam Boston: Elsevier/Morgan Kaufmann, 2012.
