Sistem Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma Random Forest di Universitas Muhammadiyah Bangka Belitung
Kata Kunci:
Kelulusan Mahasiswa, Random Forest, Machine Learning, Prediksi, StreamlitAbstrak
Keterlambatan kelulusan mahasiswa saat ini masih menjadi permasalahan besar di berbagai perguruan tinggi di Indonesia karena, dipengaruhi oleh berbagai faktor akademik maupun non-akademik. Proses untuk mengidentifikasi mahasiswa yang berisiko terlambat lulus masih dilakukan secara manual bahkan dinilai kurang efektif dalam mengolah data yang besar dan kompleks. Penelitian ini memiliki tujuan untuk mengembangkan sistem prediksi kelulusan mahasiswa tepat waktu yang berbasis web dengan menggunakan algoritma Random Forest. Metode yang digunakan dalam penelitian ini adalah kuantitatif, dengan tahapan berupa preprocessing data, pemodelan dengan Random Forest Regressor, dan evaluasi model menggunakan metrik R-squared (R²), Mean Absolute Error (MAE), dan Mean Squared Error (MSE). Data diperoleh melalui kuesioner online pada alumni Universitas Muhammadiyah Bangka Belitung angkatan 2020–2021, yang mencakup variabel akademik dan non-akademik. Hasil penelitian menunjukkan bahwa model ini memiliki kinerja yang memuaskan dengan nilai MAE sebesar 0.0119, MSE sebesar 0.0235, dan R² sebesar 0.8418. Model tersebut kemudian diimplementasikan dalam sistem berbasis web menggunakan Streamlit yang mampu memproses data mahasiswa dan menghasilkan prediksi serta visualisasi secara otomatis. Sistem ini dapat digunakan untuk mendukung pemantauan akademik dan pengambilan keputusan yang lebih objektif dan efisien.
Unduhan
Referensi
Amri, Z., Kusrini, & Kusnawi. (2023). Prediksi Tingkat Kelulusan Mahasiswa menggunakan Algoritma Naïve Bayes, Decision Tree, ANN, KNN, dan SVM. Jurnal Pendidikan Informatika, 7(2), 187–196. https://doi.org/10.29408/edumatic.v7i2.18620
Hidayat, R., Saputra, H. T., Husnah, M., Bintang, M., Nazhmi, M. N., Azra, J., & Rana, A. (2025). Implementasi Algoritma Random Forest Regression Untuk Memprediksi Penjualan Produk di Supermarket. Jurnal Sistem Informasi Dan Sistem Komputer, 10(1), 101–109. https://doi.org/10.51717/simkom.v10i1.703
Junaidi, S., Anggela, R. V., & Kariman, D. (2024). Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes , Random Forest , Support Vector Machine (SVM) dan Artificial Neural Nerwork (ANN). Jurnal Of Applied Computer Science and Technology, 5(1), 109–119. https://doi.org/10.52158/jacost.v5i1.489
Renyut, D. H., Yuyun, & Ferdinand. (2022). Prediksi Kelulusan Mahasiswa Menggunakan Algoritma C . 45 ( Studi Kasus , Sekolah Tinggi Ilmu Administrasi Trinitas Ambon ). Jurnal Sistem Informasi Dan Teknik Komputer, 7(2).
Sytar, M. H., & Ermatita. (2025). Prediksi Kelulusan Mahasiswa Tepat Waktu Dengan Metode Random Forest Berdasarkan Klasifikasi Algoritma K-Means. 8, 391–410.
Wahyudi, A., & Wibowo, F. W. (2023). Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan Naive Bayes. 14(November), 132–139.
Yazid, A. S. (2024). Eksplorasi Data Akademik untuk Memprediksi Ketepatan Waktu Lulus Mahasiswa Menggunakan Algoritma Naive Bayes. Jurnal Teknik Informatika Dan Sistem Informasi, 11(4), 558–568.
Zeniarja, J., Salam, A., Ma, A., Informatika, T., Komputer, F. I., Nuswantoro, U. D., Imam, J., Kidul, P., Tengah, K. S., & Semarang, K. (2022). Seleksi Fitur dan Perbandingan Algoritma Klasifikasi untuk Prediksi Kelulusan Mahasiswa. 18(2), 102–108. https://doi.org/10.17529/jre.v18i2.24047
