PENERAPAN ALGORITMA RANDOM FOREST SEBAGAI EARLY WARNING SYSTEM PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU
DOI:
https://doi.org/10.31539/kqm1n834Abstract
Ketepatan waktu kelulusan merupakan indikator penting dalam evaluasi kinerja perguruan tinggi. Rendahnya tingkat kelulusan tepat waktu pada Fakultas Teknik di salah satu universitas di Gresik mendorong pengembangan mekanisme prediksi dini untuk mengidentifikasi mahasiswa berisiko terlambat lulus. Penelitian ini membangun model Early Warning System (EWS) menggunakan algoritma Random Forest berdasarkan data akademik 1.558 mahasiswa angkatan 2018 - 2021. Variabel yang digunakan meliputi IPS semester 1 - 4, IPK semester 4, dan status pekerjaan. Pengujian dilakukan dengan kombinasi K-Fold Cross Validation (5 dan 10) serta pembagian data 70:30, 80:20, dan 90:10. Model terbaik diperoleh pada skenario cv5_split70 dengan parameter n_estimators=50 dan max_depth=5, menghasilkan akurasi 77,56% dan F1-Score 0,7764. IPS semester 4 menjadi prediktor paling dominan. Hasil penelitian menunjukkan Random Forest efektif digunakan sebagai dasar pengembangan EWS untuk mendukung intervensi akademik yang lebih tepat sasaran.
Kata Kunci: Early Warning System, Random Forest, Prediksi Kelulusan, Kinerja pendidikan tinggi,
References
Ayyub, A., & Iddrus, I. (2024). Prediksi Kelulusan Mahasiswa Tepat Waktu atau Tidak Menggunakan Metode Naive Bayes Classifier (Studi kasus : Mahasiswa Fakultas Teknik). Journal of Advanced Research in Informatics, 3(1), 18–28. https://doi.org/10.24929/jars.v3i1.3787
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States, China, and India: A systematic review using a Human-In-The-Loop model. Computers and Education: Artificial Intelligence, 3, 100068. https://doi.org/10.1016/j.caeai.2022.100068
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Budi Kurniawan, F., & Farokhah, L. (2025). Aplikasi Cerdas Prediksi Kelulusan Mahasiswa Berbasis Website Menggunakan Metode Support Vector Machine (SVM). JURNAL FASILKOM, 15(1), 155–162. https://doi.org/10.37859/jf.v15i1.8767
Guanin-Fajardo, J. H., Guaña-Moya, J., & Casillas, J. (2024). Predicting Academic Success of College Students Using Machine Learning Techniques. Data, 9(4), 60. https://doi.org/10.3390/data9040060
Handini, D., Hidayat, F., Attamimi, A. N., Rouf, F., & Anjani, N. (2020). Statistik pendidikan tinggi tahun 2020 (higher education statistics 2020). Kemendikdasmen Repositori Institusi, 5.
Hasibuan, T. H., & Mahdiana, D. (2023). PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN ALGORITMA C4.5 PADA UIN SYARIF HIDAYATULLAH JAKARTA. SKANIKA, 6(1), 61–74. https://doi.org/10.36080/skanika.v6i1.2976
Meeûs, J., Dewulf, W., & Macário, R. (2023). Management Systems in Aviation: Challenges and Opportunities to Upgrade to an Integrated Management System. Sustainability, 15(13), 10424. https://doi.org/10.3390/su151310424
Nurmalitasari, Awang Long, Z., & Faizuddin Mohd Noor, M. (2023). Factors Influencing Dropout Students in Higher Education. Education Research International, 2023, 1–13. https://doi.org/10.1155/2023/7704142
Romadloni, M. D., & Anugrah, I. G. (2021). Implementation of EM Algorithm in Opinion Mining Movies Review Case Studies. Journal of Development Research, 5(2), 94–105. https://doi.org/10.28926/jdr.v5i2.149
Satrio Junaidi, Valicia Anggela, R., & Kariman, D. (2024). Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes, Random Forest, Support Vector Machine (SVM) dan Artificial Neural Nerwork (ANN). Journal of Applied Computer Science and Technology, 5(1), 109–119. https://doi.org/10.52158/jacost.v5i1.489
Setiawan, A., Indra, D., & Anugrah, G. (2019). Penentuan Pola Pembelian Konsumen pada Indomaret GKB Gresik dengan Metode FP-Growth. Jurnal Nasional Komputasi Dan Teknologi Informasi, 2(2).
Wan Yaacob, W. F., Mohd Sobri, N., Nasir, S. A. M., Wan Yaacob, W. F., Norshahidi, N. D., & Wan Husin, W. Z. (2020). Predicting Student Drop-Out in Higher Institution Using Data Mining Techniques. Journal of Physics: Conference Series, 1496, 012005. https://doi.org/10.1088/1742-6596/1496/1/012005
Widya Dharma Sidi. (2026). Dominansi Fitur Perilaku Keuangan dan Tren Akademik pada Deteksi Dini Kelulusan Mahasiswa dengan XGBoost. Jurnal Sistem Komputer Dan Informatika (JSON), 7(3), 1039–1049. https://doi.org/10.30865/json.v7i3.9591.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Azzumardi Mubarok Romadhoni, Widyasari Puspa Permata Witra, Indra Gita Anugrah
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
