Penerapan Decision Tree Pada Klasifikasi Kelulusan Mahasiswa
DOI:
https://doi.org/10.35473/jamastika.v4i2.4487Abstract
Keberhasilan suatu program pendidikan sering diukur dari jumlah mahasiswa yang menyelesaikan studinya tepat waktu , terutama dalam hal evaluasi dan akreditasi universitas. Penelitian ini bertujuan untuk penerapan algoritma Pohon Keputusan dalam proses prediksi terhadap kelulusan mahasiswa tepat waktu.Metode tersebut digunakan karena mampu mengenali pola data secara terstruktur dan memberikan hasil prediksi yang akurat. Dalam studi ini, data dikumpulkan dari total 154 mahasiswa, dengan atribut utama meliputi IPK, IPS, umur, dan jenis kelamin. Proses pengolahan data dilakukan melalui tahapan seleksi data, pembersihan, transformasi, dan pemodelan menggunakan perangkat lunak RapidMiner. Model kemudian dievaluasi dengan metode cross-validation untuk mencegah overfitting serta memastikan konsistensi performa model. Hasil pengujian memperlihatkan bahwa algoritma Pohon Keputusan efektif dalam pengelompokan data kelulusan mahasiswa dengan akurasi yang tinggi sehingga mencapai 94,48%. Hal ini menegaskan bahwa metode ini dapat diandalkan sebagai alat bantu prediktif bagi perguruan tinggi dalam memantau potensi kelulusan mahasiswa sejak dini. Dengan demikian, implementasi model klasifikasi ini diharapkan dapat mendukung pengambilan keputusan dalam perencanaan akademik serta meningkatkan efisiensi manajemen pendidikan di perguruan tinggi.
Kata Kunci: Prediksi kelulusan mahasiswa, Sistem Informasi, Algoritma Decision Tree, Dataset Kelulusan.
References
Iqbal, M., Donny, M., Wahyu, H., Tedi, K. N., Amali, A., & Ismasari, N. (2024). Analysis of K-Nearest Neighbor (KNN), Naive Bayes ands Decision Tree C4.5 Algorithm With Classification Method In Breast Cancer Using RapidMiner. Journal of Applied Intelligent System, 9(2), 260–270. https://doi.org/10.62411/jais.v9i2.11242
Lestari, N. A. (2017). PENERAPAN DATA MINING MENGGUNAKAN METODE DECISION TREE C 4.5 UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA (STUDI KASUS : STMIK WIT).
Menggunakan, P., & Metode, C. (2020). Prediksi Kelulusan Mahasiswa Berdasarkan Data Berkunjung. 8(2), 24–33.
Mustapha, M. F., Zulkifli, A. N. I., Kairan, O., Zizi, N. N. S. M., Yahya, N. N., & Mohamad, N. M. (2023). The prediction of student’s academic performance using RapidMiner. Indonesian Journal of Electrical Engineering and Computer Science, 32(1), 363–371. https://doi.org/10.11591/ijeecs.v32.i1.pp363-371
Novianto, E., Hermawan, A., & Avianto, D. (2023). Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 8(2), 146–154. https://doi.org/10.36341/rabit.v8i2.3434
Nugroho, M. F., & Wibowo, S. (2017). Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes. Jurnal Informatika Upgris, 3(1), 63–70. https://doi.org/10.26877/jiu.v3i1.1669
Permatasari, R. P. (2021). Implementasi algoritma decision tree untuk prediksi kelulusan mahasiswa tepat waktu laporan skripsi.
Putra, U., & Yptk, I. (2025). Penerapan algoritma klasifikasi untuk prediksi tingkat kelulusan mahasiswa menggunakan rappidminer. 6(1), 376–388. https://doi.org/10.46576/djtechno
Putri, N. B., & Wijayanto, A. W. (2022). Analisis Komparasi Algoritma Klasifikasi Data Mining Dalam Klasifikasi Website Phishing. Komputika : Jurnal Sistem Komputer, 11(1), 59–66. https://doi.org/10.34010/komputika.v11i1.4350
Qisthiano, M. R., Prayesy, P. A., & Ruswita, I. (2023). Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa. G-Tech: Jurnal Teknologi Terapan, 7(1), 21–28. https://doi.org/10.33379/gtech.v7i1.1850
Septian, N. Y. (2009). Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro. Jurnal Semantik 2013, 1–11.
Zeniarja, J., Salam, A., & Ma’ruf, F. A. (2022). Seleksi Fitur dan Perbandingan Algoritma Klasifikasi untuk Prediksi Kelulusan Mahasiswa. Jurnal Rekayasa Elektrika, 18(2), 102–108. https://doi.org/10.17529/jre.v18i2.24047
