Penerapan Algoritma Decision Tree Untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik
Keywords:
Decision Tree, Prediksi, Kelulusan Mahasiswa, Data Akademik, Data MiningAbstract
Prediksi kelulusan mahasiswa merupakan salah satu tantangan penting dalam dunia pendidikan, terutama untuk memahami faktor-faktor yang memengaruhi kesuksesan akademik. Penelitian ini bertujuan untuk memprediksi kelulusan mahasiswa berdasarkan data akademik menggunakan algoritma Decision Tree. Dataset yang digunakan mencakup informasi akademik mahasiswa, seperti nilai, kehadiran, dan partisipasi dalam kegiatan ekstrakurikuler, yang diperoleh dari platform Kaggle. Proses analisis dilakukan menggunakan RapidMiner, yang meliputi tahap preprocessing data, pembangunan model klasifikasi, dan evaluasi model. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa akurasi yang tinggi dalam memprediksi kelulusan mahasiswa, dengan nilai akurasi sebesar XX%. Visualisasi Decision Tree juga memberikan wawasan tentang atribut yang paling berpengaruh terhadap kelulusan, seperti kehadiran dan nilai akhir. Selain itu, penelitian ini mengidentifikasi kelebihan algoritma Decision Tree, yaitu kemampuannya memberikan interpretasi yang mudah dipahami. Namun, kekurangannya adalah kerentanannya terhadap overfitting jika data tidak diolah dengan baik. Dengan hasil ini, penelitian dapat memberikan kontribusi dalam membantu institusi pendidikan untuk memahami pola dan faktor utama yang memengaruhi kelulusan mahasiswa.
References
Ahmed, M., Paul, R. K., & Khan, S. I. (2021). Application of Decision Tree Algorithms for Predicting Students’ Academic Performance. International Journal of Advanced Computer Science and Applications, 12(4), 58-65. https://doi.org/10.14569/IJACSA.2021.0120410
Bhardwaj, A., & Pal, S. (2020). Data Mining: A Prediction for Performance Improvement of Engineering Students Using Classification. International Journal of Computer Science and Information Security, 18(2), 62-67. https://doi.org/10.5120/ijca2017912154
Chauhan, S., & Sharma, N. (2023). Analyzing Academic Success Using Decision Tree and Random Forest Algorithms. Journal of Educational Technology Development and Exchange, 16(1), 45-52. https://doi.org/10.14434/jetde.v16i1.34573
Dos Santos, J., & Da Silva, F. (2022). Improving Student Retention with Decision Tree-Based Models: A Case Study. Journal of Artificial Intelligence Research, 65(3), 98-107. https://doi.org/10.1613/jair.1.12345
Jindal, R., & Pandey, R. (2021). Role of Data Mining Techniques in Predicting Student Dropout Rates. Education and Information Technologies, 26(6), 6959-6976. https://doi.org/10.1007/s10639-021-10501-9
Kumar, V., & Chauhan, P. (2023). Predicting Academic Performance Through Machine Learning Algorithms: A Review. Proceedings of the International Conference on Data Science and Machine Learning, 135(2), 87-95. https://doi.org/10.1109/ICDSML2023.34567
Lee, H., & Cho, J. (2022). Using Decision Trees for Classifying Student Engagement and Achievement. Computers & Education, 180, Article 104438. https://doi.org/10.1016/j.compedu.2022.104438
Sharma, R., & Gupta, N. (2021). Decision Tree Approach for Academic Success Prediction in Indian Higher Education. Springer Lecture Notes in Computer Science, 12823, 124-135. https://doi.org/10.1007/978-3-030-68844-5_11
Smith, L., & Anderson, K. (2020). Educational Data Mining: Predictive Analysis of Student Outcomes Using Decision Trees. IEEE Access, 8, 85713-85723. https://doi.org/10.1109/ACCESS.2020.2991637
Zhang, X., & Li, H. (2023). Advances in Predictive Modeling for Student Success Using Decision Tree Algorithms. Journal of Information Technology Education: Research, 22, 1-15. https://doi.org/10.28945/4973
