Perbandingan Algoritma Decision Tree dan Random Forest dalam Memprediksi Kelulusan Mahasiswa Berdasarkan Data Akademik

Marlan, Marlan (2025) Perbandingan Algoritma Decision Tree dan Random Forest dalam Memprediksi Kelulusan Mahasiswa Berdasarkan Data Akademik. Bachelor thesis, Universitas Nasional.

	Text cover.pdf Download (469kB)
	Text BAB 1.pdf Download (289kB)
	Text BAB 2.pdf Download (487kB)
	Text BAB 3.pdf Download (401kB)
	Text BAB 4.pdf Download (517kB)
	Text BAB 5.pdf Download (288kB)
	Text LAMPIRAN.pdf Download (8MB)

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelulusan mahasiswa berdasarkan data akademik. Dengan menggunakan data seperti Indeks Prestasi Kumulatif (IPK), jumlah SKS, dan nilai mata kuliah, penelitian ini berfokus pada analisis akurasi kedua algoritma dalam memprediksi mahasiswa yang berpotensi tidak lulus tepat waktu. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki akurasi yang lebih tinggi dibandingkan dengan Decision Tree, terutama dalam hal recall dan precision. Decision Tree, meskipun lebih sederhana dan mudah diinterpretasikan, cenderung memiliki masalah overfitting yang dapat mempengaruhi hasil prediksi. Sementara itu, Random Forest mampu mengatasi masalah tersebut dengan menghasilkan prediksi yang lebih stabil melalui proses ensemble. Studi ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem prediksi kelulusan mahasiswa di institusi pendidikan. Dengan demikian, institusi dapat menggunakan hasil penelitian ini sebagai dasar dalam merancang strategi intervensi bagi mahasiswa yang berisiko tidak lulus tepat waktu.

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	12 Sep 2025 06:51
Last Modified:	15 Sep 2025 03:28
URI:	http://repository.unas.ac.id/id/eprint/14084

Actions (login required)

View Item