Perbandingan Kinerja Algoritma Decision Tree dan Random Forest dalam Prediksi Kelulusan Siswa

Abstract

Kelulusan siswa merupakan salah satu indikator penting dalam evaluasi proses pembelajaran di bidang pendidikan. Pemanfaatan teknik data mining dapat membantu memprediksi kelulusan siswa secara lebih objektif berdasarkan data akademik dan non-akademik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelulusan siswa. Dataset yang digunakan adalah Student Performance Dataset yang diperoleh dari UCI Machine Learning Repository dengan jumlah 649 data dan 33 variabel. Proses penelitian meliputi tahap prapemrosesan data, pembentukan model klasifikasi, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki nilai akurasi dan precision yang lebih tinggi dibandingkan Decision Tree, sedangkan Decision Tree menunjukkan nilai recall yang lebih baik dalam mendeteksi siswa yang tidak lulus. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dalam menghasilkan prediksi yang tepat, sementara Decision Tree lebih efektif dalam mengenali seluruh kasus ketidaklulusan. Dengan demikian, pemilihan algoritma terbaik perlu disesuaikan dengan kebutuhan analisis dan tujuan penerapan sistem prediksi kelulusan siswa.