Analisis Prediksi Drop out Mahasiswa dengan Random Forest Studi Kasus Fakultas Ilmu Komputer Universitas Esa Unggul

David Andrew  Sitinjak

doi:10.31004/riggs.v5i1.6904

Authors

David Andrew Sitinjak Mahasiswa Universitas Esa Unggul

DOI:

https://doi.org/10.31004/riggs.v5i1.6904

Keywords:

Prediksi Drop Out, Data Analytics Pendidikan, Data Akademik Mahasiswa, Universitas Esa Unggul, Fakultas Ilmu Komputer, Algoritma Random Forest, Klasifikasi Mahasiswa, Data Preprocessing, Tingkat Akurasi, Deteksi Dini

Abstract

Seiring dengan berkembangnya kemajuan teknologi dan pemanfaatan data analytics di bidang pendidikan, saat ini perguruan tinggi dapat menilai, memprediksi, dan mengungkapkan potensi permasalahan akademik mahasiswa, termasuk risiko drop out. Berbagai media dan sumber data akademik dapat dimanfaatkan untuk menganalisis permasalahan tersebut, salah satunya adalah data akademik internal seperti nilai, kehadiran, lama studi, dan aktivitas perkuliahan mahasiswa. Data ini dapat menjadi sumber penting untuk mengidentifikasi mahasiswa yang berpotensi drop out sehingga pihak universitas dapat melakukan tindakan preventif lebih awal. Fakultas Ilmu Komputer (Fasilkom) Universitas Esa Unggul, misalnya, memiliki berbagai data akademik yang dapat diolah menjadi informasi prediktif terkait potensi drop out mahasiswa. Walaupun sistem akademik telah berjalan cukup baik, tidak sedikit mahasiswa yang menghadapi kendala akademik hingga berisiko drop out. Oleh karena itu, diperlukan metode analisis yang akurat untuk memprediksi potensi tersebut. Dengan tingkat akurasi yang cukup tinggi yang dihasilkan oleh algoritma Random Forest, maka metode ini dinilai tepat untuk digunakan dalam menganalisis potensi drop out mahasiswa. Tujuan dari penelitian ini adalah untuk mengetahui hasil dari penerapan algoritma Random Forest dalam melakukan klasifikasi mahasiswa yang berpotensi drop out di Fasilkom Universitas Esa Unggul serta mengukur tingkat akurasinya. Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi literatur dan data preprocessing (filtering, cleaning, dan transformasi data). Sementara itu, metode implementasi dilakukan melalui tahapan analisis, pemodelan menggunakan Random Forest, serta pengujian model.

Downloads

Download data is not yet available.

References

Pambudi, Ryan Dwi, Supianto, Ahmad Afif, & Setiawan, Nanang Yudi. (2019). Prediction of Student Graduation Based on Academic Performance Using Data Mining Approach in Information Systems Study Program, Faculty of Computer Science, Universitas Brawijaya. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(3), 2548–2964. Retrieved from http://j-ptiik.ub.ac.id

Martanto, Martanto, Ali, Irfan, & Mulyawan, Mulyawan. (2019). Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Machine Learning dengan Teknik Deep Learning. Jurnal Informatika: Jurnal Pengembangan IT, 4(2–2), 191–194. https://doi.org/10.30591/jpit.v4i2-2.1877

Rajendra Haidar, L., Sediyono, E., Iriani, A., & Notohamidjojo Blotongan Sidorejo, J. O. (2020). ANALISA PREDIKSI MAHASISWA DROP OUT MENGGUNAKAN METODE DECISION TREE DENGAN ALGORITMA ID3 dan C4.5. TRANSFORMATIKA, 17(2), 97–106.

Irmayanti, D., Muhyidin, Y., & Nurjaman, D. A. (2021). Prediksi Mahasiswa Berpotensi Drop Out Dengan Metode Iteratif Dichotomiser 3 (ID3). Jurnal Teknologi Informasi, 5(2), 103–113. https://doi.org/10.36294/jurti.v5i2.2054

(Studi, Informasi, & Out, 2021)Studi, Program, Informasi, Sistem, & Out, Drop. (2021). Prediksi Mahasiswa Berisiko Drop Out ( DO ) dengan ADTree dan NNge. 22(1).

Salmawati, Yuyun, & Hazriani. (2022). KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE. 8(2). http://ejournal.fikom-unasman.ac.id

Dasi, Haarika, & Kanakala, Srinivas. (2022). INTELLIGENT SYSTEMS AND APPLICATIONS IN ENGINEERING Student Dropout Prediction Using Machine Learning Techniques. 10(4), 408–414.

Niyogisubizo, Jovial, Liao, Lyuchao, Nziyumva, Eric, Murwanashyaka, Evariste, & Nshimyumukiza, Pierre Claver. (2022). Predicting student’s dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3(March), 100066. https://doi.org/10.1016/j.caeai.2022.100066

Narestami, A. U., Suhartono, D., & Tarwoto, T. (2024). Implementation of K-Means Algorithm to Determine Marketing Strategy. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(2), 1200. https://doi.org/10.30865/mib.v8i2.7335

Fitriana, Siti, Laila, Rahma, & Pratama, Septiano Anggun. (2024). The Indonesian Journal of Computer Science. 13(6), 10207–10220.

(Kristen, Wacana, & Barat, 2024)Kristen, Universitas, Wacana, Krida, & Barat, Jakarta. (2024). PREDIKSI MAHASISWA DROP-OUT DI UNIVERSITAS XYZ PREDICTION OF STUDENT DROP-OUT AT XYZ UNIVERSITY. 11(6), 1345–1350. https://doi.org/10.25126/jtiik.2024118689

(Siringoringo, Arisandi, Kurniawan, & Nababan, 2024)Siringoringo, Rimbun, Arisandi, Dedy, Kurniawan, Edi, & Nababan, Erna Budhiarti. (2024). MODEL KLASIFIKASI DENGAN LOGISTIC REGRESSION DAN RECURSIVE CLASSIFICATION MODEL USING LOGISTIC REGRESSION AND RECURSIVE. 11(4). https://doi.org/10.25126/jtiik.1148198

(Putra, Mirajdandi, Okmarizal, & Mulyanda, 2025)Putra, Febri Andika, Mirajdandi, Syahisro, Okmarizal, Bisma, & Mulyanda, Sandy. (2025). Prediksi Dropout Mahasiswa : Early-Warning Berbasis Enrollment dengan Machine Learning. 15(3), 465–473.

Sulehu, M., Wisda, W., Wanita, F., & Markani, M. (2025). Optimasi Prediksi Kelulusan Mahasiswa Menggunakan Random Forest untuk Meningkatkan Tingkat Retensi. Jurnal Minfo Polgan, 13(2), 2364–2374. https://doi.org/10.33395/jmp.v13i2.14472

Mgonja, Thomas. (2025). Archaic Methods in a Data Rich World: Why Educational Research Must Embrace AI Research Methods. Open Journal of Social Sciences, 13(11), 515–522. https://doi.org/10.4236/jss.2025.1311030