PENERAPAN MACHINE LEARNING MENGGUNAKAN ALGORITMA DECISION TREE UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA (STUDI KASUS DI UIN SJECH M. DJAMIL DJAMBEK BUKITTINGGI)

Nst, Ely Nurhalizah (2025) PENERAPAN MACHINE LEARNING MENGGUNAKAN ALGORITMA DECISION TREE UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA (STUDI KASUS DI UIN SJECH M. DJAMIL DJAMBEK BUKITTINGGI). Masters thesis, Universitas Putra Indonesia YPTK.

Preview	Text TESIS_231321007_ELY NURHALIZAH NST_ABSTRAK.pdf Download (123kB) | Preview
Preview	Text TESIS_231321007_ELY NURHALIZAH NST_BAB I.pdf Download (144kB) | Preview
Preview	Text TESIS_231321007_ELY NURHALIZAH NST_DAFTAR PUSTAKA.pdf Download (140kB) | Preview
	Text TESIS_231321007_ELY NURHALIZAH NST_FULL TEXT.pdf Restricted to Repository staff only Download (6MB)

Abstract

Mahasiswa merupakan bagian integral dari perguruan tinggi, dan tingkat kelulusan menjadi indikator utama kualitas akademik serta efektivitas institusi. Untuk mempertahankan mutu dan akreditasi, perguruan tinggi harus meningkatkan kelulusan mahasiswa secara optimal. Evaluasi faktor-faktor yang memengaruhi kelulusan menjadi aspek krusial dalam mengidentifikasi pola serta determinan utama keberhasilan akademik. Analisis berbasis data diperlukan untuk memperoleh prediksi yang lebih akurat dalam mengidentifikasi mahasiswa berisiko tidak lulus tepat waktu. Penelitian ini bertujuan untuk memprediksi tingkat kelulusan mahasiswa menggunakan Machine Learning dengan algoritma Decision Tree jenis C5.0. Metode ini dipilih karena kemampuannya dalam mengklasifikasikan data berdasarkan atribut yang relevan. Dataset penelitian diperoleh dari Universitas Islam Negeri (UIN) Sjech M. Djamil Djambek Bukittinggi, khususnya Fakultas Tarbiyah dan Ilmu Keguruan, yang terdiri dari 520 data kelulusan mahasiswa Angkatan ke-VII tahun 2024. Hasil penelitian menunjukkan tingkat keandalan tinggi dalam memprediksi kelulusan mahasiswa, dengan akurasi sebesar 91,35%. Kemampuan model dalam mengidentifikasi mahasiswa yang lulus tepat waktu tercermin dari recall sebesar 90,95%. Ketepatan prediksi yang dihasilkan ditunjukkan oleh precision sebesar 90,51%. F1-Score, yang merepresentasikan keseimbangan antara recall dan precision, mencapai 93,13% untuk kategori Tepat Waktu dan 88,31% untuk kategori Terlambat. Nilai evaluasi ini mengindikasikan bahwa algoritma C5.0 mampu mengklasifikasikan mahasiswa berdasarkan kemungkinan kelulusannya dengan tingkat akurasi yang tinggi. Prediksi ini dapat membantu perguruan tinggi mengidentifikasi mahasiswa berisiko tidak lulus tepat waktu, sehingga memungkinkan perancangan strategi pembelajaran yang lebih efektif serta mendukung pengambilan keputusan untuk meningkatkan mutu pendidikan dan akreditasi.

Actions (login required)

View Item