Prediksi Kelulusan Mahasiswa Tepat Waktu Dengan Metode Random Forest Berdasarkan Klasifikasi Algoritma K-Means Pada Pascasarjana Universitas Sriwijaya

Abstract

Tujuan penelitian ini adalah untuk mengetahui klastering faktor-faktor yang mempengaruhi tingkat kelulusan tepat waktu di Pascasarjana Universitas Sriwijaya menggunakan metode Random Forest dan algoritma K-Means. Selain itu juga untuk memprediksi tingkat kelulusan tepat waktu di Pascasarjana Universitas Sriwijaya menggunakan metode Random Forest dan algoritma K-Means. Penelitian adalah usaha mencari melalui proses yang metodis untuk menambahkan pengetahuan itu sendiri dan dengan yang lainnya, oleh penemuan fakta dan wawasan tidak biasa. Dalam penelitian ini, metode penelitian yang digunakan adalah metode penelitian klasifikasi  dengan  lima langkah-langkah dalam kerangka penelitian  yaitu  1) Pengumpulan Data: 2) Pengolahan Awal Data. 3) Klasifikasi. 4) Pengujian Model. 5) Evaluasi dan Validasi Hasil. Hasil penelitiannya menunjukkan bahwa Penggunaan metode data mining seperti K-Means dan Random Forest dapat efektif untuk memprediksi kelulusan mahasiswa tepat waktu pada program pascasarjana. Algoritma K-Means mampu mengelompokkan mahasiswa berdasarkan karakteristik yang relevan, seperti IPK dan jumlah kredit yang telah diselesaikan, sedangkan Random Forest digunakan untuk memberikan prediksi status kelulusan. Model yang dihasilkan mampu memberikan tingkat akurasi yang tinggi dengan precision dan recall yang baik, menunjukkan kemampuan model untuk mengenali pola kelulusan mahasiswa tepat waktu. Kombinasi kedua metode ini memberikan kontribusi yang signifikan dalam pengembangan model prediksi yang akurat, memberikan manfaat bagi mahasiswa dan institusi dalam merencanakan dan mengambil keputusan terkait kelulusan tepat waktu. Penelitian ini dapat dikembangkan lebih lanjut dengan beberapa saran yang bertujuan untuk meningkatkan akurasi dan kegunaan model prediksi.   penyempurnaan algoritma dapat dilakukan dengan menggabungkan metode K-Means dan Random Forest dengan algoritma lain seperti Gradient Boosting (XGBoost atau LightGBM) untuk meningkatkan akurasi prediksi. Selain itu, penerapan teknik optimasi seperti Grid Search atau Bayesian Optimization dapat membantu menemukan parameter terbaik untuk model.  Penambahan variabel baru, seperti tingkat kehadiran, keterlibatan dalam kegiatan akademik, serta faktor psikologis seperti motivasi dan stres, juga dapat memperkaya analisis.