ANALISIS PERAMALAN MAHASISWA BARU MENGGUNAKAN ALGORITMA RANDOM FOREST DAN LINEAR REGRESSION

Nurdin, Muhammad (2024) ANALISIS PERAMALAN MAHASISWA BARU MENGGUNAKAN ALGORITMA RANDOM FOREST DAN LINEAR REGRESSION. Masters thesis, UNIVERSITAS NASIONAL.

	Text COVER.pdf Download (1MB)
	Text BAB-I.pdf Download (1MB)
	Text BAB-II.pdf Download (652kB)
	Text BAB-III.pdf Download (793kB)
	Text BAB-IV.pdf Download (673kB)
	Text BAB-V.pdf Download (547kB)
	Text BAB-VI.pdf Download (1MB)
	Text LAMPIRAN.pdf Download (403kB)

Abstract

Perencanaan jumlah mahasiswa baru (PMB) merupakan aspek krusial bagi perguruan
tinggi karena memiliki dampak signifikan terhadap perencanaan sumber daya manusia
dan alokasi anggaran. Namun, proses prediksi jumlah mahasiswa baru yang tepat
menghadapi berbagai tantangan akibat pengaruh faktor eksternal seperti kondisi
ekonomi, kebijakan pemerintah, dan tingkat persaingan di antara lembaga pendidikan.
Penelitian ini bertujuan untuk melakukan analisis peramalan penerimaan mahasiswa
baru di Universitas Nasional dengan menggunakan algoritma Random Forest (RF) dan
Linear Regression (LR). Data yang digunakan dalam penelitian ini adalah data historis
pembelian formulir mahasiswa dari tahun 2017 hingga 2023, Pada periode tersebut,
jumlah pembeli formulir tercatat sebanyak 37.078, dengan rincian jumlah pembeli
formulir per tahun sebagai berikut: 5.178 pada tahun 2017, 6.733 pada tahun 2018, 5.978
pada tahun 2019, 5.042 pada tahun 2020, 5.184 pada tahun 2021, 5.360 pada tahun 2022,
dan 3.603 pada tahun 2023. Metode peramalan, yaitu RF dan LR, diterapkan untuk
membandingkan performa prediksi yang dihasilkan. Hasil analisis menunjukkan bahwa
model RF memberikan performa yang lebih baik dibandingkan dengan LR, hal ini
ditunjukkan oleh nilai MAE yang lebih rendah pada RF (202.614) dibandingkan dengan
LR (503.233), yang mengindikasikan kesalahan mutlak rata-rata yang lebih kecil pada
model Random Forest. Selain itu, MSE dan RMSE juga lebih rendah pada RF
(69.764,003 dan 264.178) dibandingkan dengan LR (268.276,644 dan 518.023), yang
menunjukkan bahwa RF lebih efektif dalam menangani outlier serta memberikan bobot
yang lebih rendah pada kesalahan besar. Nilai MAPE yang lebih rendah pada RF
(4.109%) dibandingkan dengan LR (10.647%) menunjukkan tingkat kesalahan relatif
yang lebih kecil. Sementara itu, nilai MAD pada RF (187.781) yang lebih rendah juga
menunjukkan konsistensi prediksi yang lebih baik dibandingkan dengan LR (467.999).
Secara keseluruhan, model RF memberikan hasil prediksi yang lebih akurat dan
konsisten, sehingga dapat disimpulkan bahwa RF merupakan model yang lebih unggul
dalam memprediksi jumlah mahasiswa baru dibandingkan dengan LR.

Item Type:	Thesis (Masters)
Subjects:	L Education > LB Theory and practice of education T Technology > T Technology (General)
Divisions:	Tesis dan Disertasi > Sekolah Pasca Sarjana > Program Studi S2 Teknologi Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	19 Sep 2024 04:55
Last Modified:	24 Apr 2026 10:04
URI:	https://repository.unas.ac.id/id/eprint/11935

Actions (login required)

View Item