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