Sistem Prediksi Dini Keberhasilan Akademik Mahasiswa Berbasis Random Forest dengan Algoritma CART
DOI:
https://doi.org/10.53513/jursi.v5i4.13247Keywords:
CART, Prediksi Keberhasilan Akademik, Klasifikasi Mahasiswa, Feature Importance, Random ForestAbstract
Tingginya angka mahasiswa yang tidak lulus atau tidak menyelesaikan studi tepat waktu menjadi permasalahan utama di perguruan tinggi. Penelitian ini bertujuan mengimplementasikan algoritma CART sebagai base estimator dalam Random Forest untuk memprediksi status keberhasilan akademik mahasiswa berdasarkan data historis akademik. Model dibangun menggunakan 8 variabel akademik yaitu IPS1-IPS4, tingkat kehadiran, SKS diambil, SKS lulus, dan jumlah mata kuliah mengulang, dengan tiga kelas status keberhasilan Tidak Lulus, Lulus Tidak Tepat Waktu, dan Lulus Tepat Waktu. Hasil pengujian pada 10 data uji menunjukkan bahwa Random Forest dengan 100 pohon menghasilkan akurasi 90%, dengan satu perbedaan prediksi pada data yang berada di batas ambang jika dibandingkan dengan satu pohon CART pertama. Berdasarkan validasi silang 5-fold, Random Forest menunjukkan rata-rata akurasi 89% yang lebih stabil dan konsisten. Analisis feature importance mengungkap bahwa Jumlah MK Mengulang merupakan faktor paling dominan (0.28), diikuti oleh SKS Lulus (0.21) dan SKS Diambil (0.16). Sistem prediksi dini yang dikembangkan dengan antarmuka PySimpleGUI dapat digunakan oleh dosen pembimbing akademik dan pengelola program studi sebagai alat bantu pengambilan keputusan dan intervensi akademik secara proaktif.
References
M. Nachouki and M. A. Naaj, “Predicting Student Performance to Improve Academic Advising Using the Random Forest Algorithm,” Int. J. Distance Educ. Technol., vol. 20, no. 1, Feb. 2022, doi: 10.4018/IJDET.296702.
H. Andrianof, A. P. Gusman, and O. A. Putra, “Implementasi Algoritma Random Forest untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik: Studi Kasus di Perguruan Tinggi Indonesia,” J. Sains Inform. Terap. E-ISSN, vol. 4, no. 1, pp. 24–28, 2025.
S. Linawati, S. Nurdiani, K. Handayani, and Latifah, “Prediksi Prestasi Akademik Mahasiswa Menggunakan Algoritma Random Forest dan C4.5,” J. KHATULISTIWA Inform., vol. VIII, no. 1, pp. 47–52, Jun. 2020, [Online]. Available: www.bsi.ac.id
B. Carballo-Mendívil, A. Arellano-González, N. J. Ríos-Vázquez, and M. del P. Lizardi-Duarte, “Predicting Student Dropout from Day One: XGBoost-Based Early Warning System Using Pre-Enrollment Data,” Appl. Sci., vol. 15, no. 16, Aug. 2025, doi: 10.3390/app15169202.
J. Kuswanto and L. Hakim, “Penerapan Algoritma Random Forest untuk memprediksi Performa Akademik Mahasiswa,” Decod. J. Pendidik. Teknol. Inf., vol. 5, no. 1, pp. 262–270, 2025, doi: 10.51454/decode.v5i1.1103.
F. J. Hamu, D. Wea, and N. Setiyaningtiyas, “Faktor-Faktor yang Memperngaruhi Kinerja Akademik Mahasiswa :Analisis Structural Equation Model,” J. Paedagogy J. Penelit. dan Pengemb. Pendidik., vol. 10, no. 1, pp. 175–186, Jan. 2023, [Online]. Available: https://e-journal.undikma.ac.id/index.php/pedagogy/index
A. Muganga, Y. K. Mekonen, M. A. Adarkwah, O. A. Oladipo, C. N. Nweze, and S. Bibi, “Is everywhere I go home? Reflections on the acculturation journey of African international students in China,” Int. J. Intercult. Relations, vol. 105, no. April 2024, p. 102136, 2025, doi: 10.1016/j.ijintrel.2024.102136.
G. Testiana, “Perancangan Model Prediksi Kelulusan Mahasiswa Tepat Waktu pada UIN Raden Fatah,” 2018.
H. Santoso, L. Hakim, A. Afiyati, and B. Jokonowo, “Implementation of the Random Forest algorithm to predict rice needs in DKI Jakarta,” J. Inform. dan Teknol. Inf., vol. 22, no. 1, pp. 20–29, 2025, doi: 10.31515/telematika.v22i2.12850.
T. Berhane, T. Melese, and A. M. Seid, “Performance Evaluation of Hybrid Machine Learning Algorithms for Online Lending Credit Risk Prediction,” Appl. Artif. Intell., vol. 38, no. 1, 2024, doi: 10.1080/08839514.2024.2358661.
N. Nurussakinah, M. Faisal, and I. B. Santoso, “Algoritma Random Forest dan Synthetic Minority Oversampling Technique (SMOTE) untuk Deteksi Diabetes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 2, pp. 221–234, 2025, doi: 10.14421/jiska.2025.10.2.221-234.
J. A. Ali, M. K. Abdi, T. A. Ali, A. H. Muse, and M. A. Cumar, “Geographic and school-level disparities as primary predictors of numeracy skills: A supervised machine learning approach of Somaliland’s national learning assessment,” Soc. Sci. Humanit. Open, vol. 12, Jan. 2025, doi: 10.1016/j.ssaho.2025.102305.
M. Schonlau and R. Y. Zou, “The random forest algorithm for statistical learning,” Stata J., vol. 20, no. 1, pp. 3–29, 2020, doi: 10.1177/1536867X20909688.
N. H. Alfajr, G. Garno, and D. Yusup, “Studi Komparasi Algoritma Random Forest Classifier Dan Support Vector Machine Dalam Prediksi Penyakit Jantung,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, pp. 22–30, 2025, doi: 10.23960/jitet.v13i3.6569.
S. A. A. Balabied and H. F. Eid, “Utilizing random forest algorithm for early detection of academic underperformance in open learning environments,” PeerJ Comput. Sci., vol. 9, 2023, doi: 10.7717/peerj-cs.1708.
E. Kalita et al., “Educational data mining: a 10-year review,” Dec. 01, 2025, Springer Science and Business Media B.V. doi: 10.1007/s10791-025-09589-z.
K. Roy and D. M. Farid, “An Adaptive Feature Selection Algorithm for Student Performance Prediction,” IEEE Access, vol. 12, pp. 75577–75598, 2024, doi: 10.1109/ACCESS.2024.3406252.
M. Aruna et al., “Enhancing safety in surface mine blasting operations with IoT based ground vibration monitoring and prediction system integrated with machine learning,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-86827-w.
J. He, J. Baileyt, B. I. P. Rubinstein, and R. Zhang, “Identifying at-risk students in massive open online courses,” Proc. Natl. Conf. Artif. Intell., vol. 3, pp. 1749–1755, 2015, doi: 10.1609/aaai.v29i1.9471.
R. Syahranita, S. Suhartono, and S. Zaman, “Prediksi Kategori Kelulusan Mahasiswa Menggunakan Metode Regresi Logistik Multinomial,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 8, no. 2, pp. 102–111, 2023, doi: 10.14421/jiska.2023.8.2.102-111.
M. Khalil, F. Vadiee, R. Shakya, and Q. Liu, Creating Artificial Students that Never Existed: Leveraging Large Language Models and CTGANs for Synthetic Data Generation, vol. 1, no. 1. Association for Computing Machinery, 2025. doi: 10.1145/3706468.3706523.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
This work is licensed under a Creative Commons Attribution 4.0 International License.
