PREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN DECISION TREE YANG DIOPTIMALISASI DENGAN HYPERPARAMETER TUNING
Keywords:
Data Historical, Classification, Prediction, Decision Tree, Data MiningAbstract
Peningkatan jumlah mahasiswa setiap tahun tidak sebanding dengan angka kelulusan tepat waktu, yang berakibat pada keterlambatan masa studi dan penurunan efisiensi pendidikan. Kondisi ini menyoroti urgensi pemanfaatan data historis mahasiswa untuk tujuan prediktif. Penelitian ini mengusung metode data mining sebagai pendekatan utama untuk mengklasifikasi dan memprediksi status kelulusan mahasiswa dengan data dari salah satu universitas di sumatera. Secara spesifik, penelitian ini menerapkan algoritma Decision Tree dengan bantuan pemrograman Python untuk menganalisis data akademik mahasiswa. Namun, pada tahap awal, akurasi model yang dihasilkan hanya mencapai 62% dengan menggunakan metode algoritma Decision Tree pada pemrograman Python, nilai ini masih belum optimal untuk pengambilan keputusan yang strategis. Untuk meningkatkan performa model secara signifikan, penelitian ini menerapkan teknik Hyperparameter Tuning. Hasilnya akurasi model naik menjadi 90%, menunjukkan kemampuan prediktif yang jauh lebih baik. Analisis lebih lanjut mengungkap bahwa atribut yang paling berpengaruh terhadap prediksi kelulusan adalah shift kuliah, status pekerjaan, dan jenis kelamin. Dengan akurasi yang tinggi, model prediksi ini diharapkan dapat menjadi alat bantu yang andal bagi pembimbing akademik dalam mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan, memungkinkan implementasi langkah intervensi yang tepat waktu dan terarah. Penelitian ini diharapkan tidak hanya memberikan peringatan dini, tetapi juga memberikan wawasan tentang faktor-faktor kunci yang mempengaruhi keberhasilan studi, sehingga strategi pendukung dapat disesuaikan untuk setiap mahasiswa.
References
DAFTAR PUSTAKA
Desfiandi, A., & Soewito, B. (2023). Student graduation time prediction using logistic regression, decision tree, support vector machine, and AdaBoost ensemble learning. International Journal of Information System and Computer Science, 7(3), 195–199. https://doi.org/10.56327/ijiscs.v7i2.1579.
Zhou, Z. H., Zhang, C., & Huang, Y. (2020). Machine Learning in Big Data Analytics. Computers in Industry, 120, 103223. DOI: 10.1016/j.compind.2020.103223
BeritaSatu, “Kenapa banyak mahasiswa gagal lulus tepat waktu? Ini alasannya,” BeritaSatu.com, Feb. 13, 2025. [Online]. Available: https://www.beritasatu.com/nasional/2906166/kenapa-banyak-mahasiswa-gagal-lulus-tepat-waktu-ini-alasannya
KDD (Knowledge Discovery and Data Mining). (2024). Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM. DOI: 10.1145/3632550.
Simões, S., Oliveira, T., & Nunes, C. (2022). Influence of computers in students' academic achievement. Heliyon, 8(3), e09004. https://doi.org/10.1016/j.heliyon.2022.e09004.
Mailana, A., Febriyani, E., & Hamdani, A. (2021). Comparison of C4.5 algorithm and Support Vector Machine in predicting the student graduation timeliness. Jurnal Online Informatika, 6(2), 165–172. https://doi.org/10.15575/join.v6i2.608.
Chrisnanto Y H & Abdullah G. (2021). The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI). Matrix : Jurnal Manajemen Teknologi Dan Informatika, 11(1), 26-35. doi:10.31940/matrix.v11i1.2330.
Putri, I. W. M., Rusdah, R., Suryadi, L., & Anubhakti, D. (2023). Prediksi kelulusan mahasiswa Fakultas Teknologi Informasi ISB Atma Luhur menggunakan algoritma C4.5. Jurnal SISFOKOM, 12(3), 363–369. (DOI tidak tersedia secara publik)Adji, T. B., & Syarif, I. (2022). Comparative study of hyperparameter optimization for educational data classification. Procedia Computer Science, 197, 150–158
Panggabean, J. F. R., Sirait, K., & Naibaho, F. R. (2022). Data mining analysis using Naive Bayes algorithm and KNN to predict graduation of D3 students Department of Information Management. International Journal of Education, Theology, and Humanities, 2(1), 1–10. https://doi.org/10.46965/ijeth.v2i1.4
Adji, T. B., & Syarif, I. (2022). Comparative study of hyperparameter optimization for educational data classification. Procedia Computer Science, 197, 150–158. https://doi.org/10.1016/j.procs.2021.12.157
Zahedi, L., Ghareh Mohammadi, F., Rezapour, S., Ohland, M. W., & Amini, M. H. (2021). Search algorithms for automated hyper-parameter tuning. arXiv preprint. https://doi.org/10.48550/arXiv.2104.14677.
Rukiastiandari, N., Susilowati, D., Kusumawardani, A., & Rachman, A. (2024). Optimizing decision tree algorithm with genetic algorithm for predicting student graduation. Paradigma: Jurnal Komputer dan Informatika, 26(1), 57–66. https://ojs.bsi.ac.id/index.php/paradigma/article/view/3165
Mega, M. & Jasmir, J. (2023). Prediksi Masa Studi Mahasiswa Unama Jambi Menggunakan Metode Algoritma C4.5. Jurnal Manajemen Sistem Informasi, 8(1), 140–151. DOI: 10.33998/jurnalmsi.2023.8.1.770
J. A. Ilemobayo, O. Durodola, O. Alade, O. Awotunde, A. T. Olanrewaju, O. Falana, A. Ogungbire, A. Osinuga, D. Ogunbiyi, A. Ifeanyi, I. E. Odezuligbo, dan O. E. Edu, “Hyperparameter Tuning in Machine Learning: A Comprehensive Review,” Journal of Engineering Research and Reports, vol. 26, no. 6, pp. 388–395, Jun. 2024, doi: 10.9734/JERR/2024/v26i61188.
Indonesian Society of Applied Science (ISAS)
