Penerapan Metode Decision Tree dalam Memprediksi Tingkat Resiko Drop Out Mahasiswa Berdasarkan Data Akademik

Milawati Milawati; Zaskia Maghfira; Putri Salsa Nabila

doi:10.69693/ijmst.v4i3.13978

Authors

Milawati Milawati Universitas Islam Negeri Sumatera Utara
Zaskia Maghfira Universitas Islam Negeri Sumatera Utara
Putri Salsa Nabila Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.69693/ijmst.v4i3.13978

Keywords:

Data Mining, Decision Tree, Klasifikasi, Drop Out Mahasiswa, RapidMiner

Abstract

Drop out mahasiswa merupakan salah satu permasalahan yang dapat berdampak terhadap kualitas perguruan tinggi, terutama dalam pencapaian target kelulusan dan pengelolaan sumber daya akademik. Oleh karena itu, diperlukan suatu metode yang dapat membantu perguruan tinggi dalam mengidentifikasi mahasiswa yang memiliki risiko drop out sejak dini. Penelitian ini bertujuan untuk mengategorikan status akademik mahasiswa dalam rangka memprediksi kemungkinan drop out dengan menerapkan metode data mining menggunakan algoritma Decision Tree. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 500 data mahasiswa dengan beberapa atribut, yaitu kehadiran, nilai tugas, aktivitas e-learning, Indeks Prestasi Kumulatif (IPK), dan status akademis. Proses penelitian dilakukan menggunakan aplikasi RapidMiner yang meliputi tahap data preprocessing, pembagian dataset menjadi data latih dan data uji, pembentukan model klasifikasi menggunakan algoritma Decision Tree, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model Decision Tree memperoleh tingkat akurasi sebesar 78,50%. Nilai tersebut menunjukkan bahwa model mampu mengklasifikasikan status akademik mahasiswa berdasarkan atribut yang digunakan dalam penelitian. Penerapan algoritma Decision Tree dapat memberikan informasi mengenai pola karakteristik mahasiswa yang berpotensi mengalami drop out. Dengan demikian, hasil klasifikasi dapat dimanfaatkan sebagai salah satu bahan pertimbangan bagi pihak perguruan tinggi dalam melakukan identifikasi dan pemantauan terhadap mahasiswa yang berisiko Drop out, sehingga tindakan pendampingan dan strategi akademik dapat dilakukan secara lebih terarah.

References

1. Anwar, F. F., Abu, A. I. J. M., & Tondo, J. S. K. (2022). PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN METODE DECISION TREE DENGAN PENERAPAN ALGORITMA C4 . 5. 19, 19–28. https://doi.org/10.22487/2540766X.2022.v19.i1.15880.

2. Carolina, I., Andharsaputri, R. L., Prihatin, T., Nurdin, H., & Carolina, I. (2026). Comparative Analysis of Multi-Classifier Models with Resampling Techniques for Imbalanced Student Graduation Prediction. 28(1), 22–31. https://doi.org/10.31294/p.v28i1.11976.

3. Destiani, D., Fatimah, S., & Rahmawati, E. (2021). Penggunaan Metode Decision Tree dalam Rancang Bangun Sistem Prediksi untuk Kelulusan Mahasiswa. 553–561. https://doi.org/10.33364/algoritma/v.18-2.932.

4. Dogra, V., Verma, S., Chatterjee, P., Shafi, J., Choi, J., & Ijaz, M. F. (2022). A Complete Process of Text Classification System Using State-of-the-Art NLP Models. 2022. https://doi.org/10.1155/2022/1883698.

5. Dolu, M. U. F. K., Pandie, E. S. Y., Rizky, J., Ledoh, M., Studi, P., Komputer, I., Sains, F., & Cendana, U. N. (2025). Analisis Tingkat Kelulusan Mahasiswa Menggunakan Metode Naïve Bayes ( Studi Kasus : Ilmu Komputer Universitas Nusa Cendana ). 6(2), 4–9. https://doi.org/10.31294/reputasi.v6i2.11106.

6. Fatah, Z., & Bella, S. (2025). Klasifikasi Status Akademik Mahasiswa Menggunakan Decision Tree. 4, 141–146. https://doi.org/10.35957/jatisi.v9i2.2048.

7. Hanis, F. L., Khaira, U., & Arsa, D. (2025). Classification of Student Drop Out Risk Using Decision Tree C5 . 0 with Feature Selection Klasifikasi Status Mahasiswa Berisiko Drop Out Menggunakan Decision Tree C5 . 0 dengan Seleksi Fitur. 5(October), 1318–1330. https://doi.org/10.57152/malcom.v5i4.2239.

8. Iddrus, & Sari, D. W. (2023). Jurnal Advance Research Informatika PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA DECISION TREE C4 . 5 UNTUK MEMPREDIKSI MAHASISWA DROP OUT DI UNIVERSITAS WIRARAJA. 1(Juni), 1–7. https://doi.org/10.24929/jars.v1i02.2684.

9. Irwan, M., & Nasution, P. (2024). ANALISIS PENGOLAHAN DATA DALAM SISTEM INFORMASI. 2(12), 1–12. https://doi.org/10.61722/jiem.v2i11.3017.

10. Mustari, K. A., Assiroj, P., Hartati, B., & Samuel, F. (2024). IMPLEMENTASI DATA MINING PADA INSTANSI PEMERINTAHAN ( SYSTEMATIC LITERATURE REVIEW ). 8(3), 3137–3142. https://doi.org/10.36040/jati.v8i3.9618.

11. Nabarian, T., Wahyuni, I., Farisi, S. El, Tinggi, S., Terpadu, T., & Fikri, N. (2026). Penerapan Kerangka CRISP-DM dalam Evaluasi Performa Logistic Regression dan Decision Tree untuk Prediksi Kelulusan Mahasiswa. 5(1), 46–55. https://doi.org/10.31294/ijcs.v5i1.12502.

12. Nugroho, H. (2021). GROUP DELAY OPTIMIZATION IN CASCADED OPTICAL RING RESSONATOR-BASED OPTICAL BEAMFORMING NETWORKS. 12(1), 1–9. https://doi.org/10.24176/simet.v12i1.4688.

13. Nur, H. M., Maarif, V., Fandi, F., & Imaniawan, D. (2025). Algoritma K-Nearest Neighbor ( K-NN ) Untuk Prediksi Ketidaklulusan Mahasiswa Berdasar Presensi dan IPK. 4(1), 1–6. https://doi.org/10.31294/3smve945.

14. Samasil, S., Yuyun, Y., & Hazriani, dan H. (2022). KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE. 8(2), 108–114. https://doi.org/10.35329/jiik.v8i2.242.

15. Setyawan, A., Fitriani, A., Rilvani, E., Bangsa, U. P., & Bekasi, K. (2025). KLASIFIKASI KEMISKINAN DI INDONESIA DENGAN. 3(7). https://doi.org/10.62281/v3i7.2646.

16. Tangkelayuk, A., & Mailoa, E. (2022). Klasifikasi Kualitas Air Menggunakan Metode KNN , Naïve Bayes Dan Decision Tree. 9(2), 1109–1119. https://doi.org/10.35957/jatisi.v9i2.2048.