PERBANDINGAN KLASIFIKASI ALGORITMA DECISION TREE DAN RANDOM FOREST PADA DATASET INDEX PRESTASI SEMESTER MAHASISWA (IPS)

Abstract

Perkembangan teknologi data mining memberikan kontribusi besar dalam pengolahan data akademik pada perguruan tinggi, khususnya dalam memprediksi tingkat keberhasilan studi mahasiswa. Salah satu penerapan data mining yang banyak digunakan adalah teknik klasifikasi untuk menentukan status kelulusan mahasiswa berdasarkan performa akademik. Penelitian ini bertujuan untuk membandingkan performa algoritma Decision Tree dan Random Forest pada klasifikasi dataset indeks prestasi semester mahasiswa. Dataset yang digunakan terdiri dari atribut akademik mahasiswa seperti jenis kelamin, status mahasiswa, umur, status pernikahan, nilai IPS semester 1 hingga semester 8, serta nilai IPK sebagai indikator performa akademik mahasiswa. Tahapan penelitian meliputi preprocessing data, transformasi atribut, pembentukan model klasifikasi, serta evaluasi performa menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Pengujian dilakukan menggunakan data training dan data testing untuk mengetahui kemampuan generalisasi model terhadap data baru. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memperoleh nilai accuracy sebesar 92,41%, precision sebesar 91,87%, recall sebesar 90,35%, dan F1-score sebesar 91,10%. Sementara itu, algoritma Random Forest menghasilkan performa yang lebih baik dengan accuracy sebesar 95,17%, precision sebesar 94,62%, recall sebesar 93,84%, dan F1-score sebesar 94,22%. Berdasarkan hasil pengujian tersebut, Random Forest dinilai lebih unggul dibandingkan Decision Tree karena mampu menghasilkan model yang lebih stabil dan memiliki kemampuan generalisasi yang lebih baik terhadap variasi data. Selain itu, atribut IPK dan IPS semester akhir menjadi faktor dominan dalam menentukan status kelulusan mahasiswa. Penelitian ini membuktikan bahwa metode klasifikasi berbasis ensemble learning dapat digunakan secara efektif sebagai sistem pendukung keputusan akademik dalam memantau potensi keterlambatan kelulusan mahasiswa.