Optimasi Prediksi Kelulusan Mahasiswa Menggunakan Random Forest untuk Meningkatkan Tingkat Retensi
DOI:
10.33395/jmp.v13i2.14472Keywords:
Retensi Mahasiswa, Random Forest, Prediksi Kelulusan, Data Mining, Pendidikan TinggiAbstract
Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis algoritma Random Forest guna mengidentifikasi mahasiswa yang berisiko putus kuliah di Universitas Teknologi AKBA Makassar, di mana tingginya angka putus kuliah menjadi tantangan signifikan yang disebabkan oleh berbagai faktor akademik, sosial-ekonomi, dan psikologis. Dengan pendekatan kuantitatif melalui metode data mining, data dari sistem informasi akademik dan survei primer, menggunakan 1.425 data mahasiswa yang diolah melalui tahap preprocessing dan dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Hasil penelitian menunjukkan bahwa IPK, motivasi belajar, dan kehadiran merupakan variabel paling signifikan dalam memprediksi kelulusan, dengan model prediksi yang mencapai akurasi 70% serta performa precision dan recall yang memadai. Penelitian ini memberikan kontribusi penting dalam mendukung pengambilan keputusan strategis di institusi pendidikan tinggi untuk meningkatkan tingkat retensi mahasiswa dan mengurangi angka putus kuliah, meskipun masih terdapat ruang untuk peningkatan kinerja model, khususnya dalam menangani ketidakseimbangan data.