PENERAPAN ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI PREDIKAT KELULUSAN MAHASISWA UNIVERSITAS KHAIRUN
DOI:
https://doi.org/10.33387/mepzka98Keywords:
Klasifikasi, Predikat Kelulusan, Random Forest, Confusion MatrixAbstract
Penelitian ini bertujuan untuk menerapkan algoritma Random Forest dalam mengklasifikasikan predikat kelulusan mahasiswa Universitas Khairun ke dalam tiga kategori, yaitu pujian, sangat memuaskan, dan memuaskan. Metode penelitian yang digunakan meliputi pengumpulan data kelulusan mahasiswa sebanyak 1.950 data yang diperoleh dari BAAKAPSI dan UPT TIK Universitas Khairun, tahap data preprocessing yang mencakup data cleaning dan data transformation serta implementasi algoritma Random Forest menggunakan bahasa pemrograman Python. Evaluasi kinerja model dilakukan menggunakan confusion matrix untuk mengukur nilai akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampumengklasifikasikan predikat kelulusan mahasiswa dengan sangat baik, dengan nilai akurasi sebesar 100%, precision 100%, recall 100%, dan F1-score 100%. Selain itu, hasil pengujian black box pada sistem aplikasi menunjukkan bahwa seluruh fitur utama berjalan dengan baik sesuai dengan kebutuhan pengguna. Dengan demikian, algoritma Random Forest terbukti efektif dan dapat digunakan sebagai solusi dalam mendukung pengambilan keputusan terkait predikat kelulusan mahasiswa di Universitas Khairun.
References
[1] Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, & Susanti. 2022. Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest. SATIN - Sains Dan Teknologi Informasi, 8(2), 122–131.
[2] khoerul ummah. (2022). SISTEM PREDIKSI PREDIKAT KELULUSAN MAHASISWA MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL., 8.5.2017, 2003–2005.
[3] Alturki, S., Alturki, N., & Stuckenschmidt, H. (2021). Using Educational Data Mining To Predict Students’ Academic Performance For Applying Early Interventions. Journal of Information Technology Education: Innovations in Practice, 20, 121–137. https://doi.org/10.28945/4835
[4] Luvia, Y. S., Windarto, A. P., Solikhun, S., & Hartama, D. 2017. Penerapan Algoritma C4.5 Untuk Klasifikasi Predikat Keberhasilan Mahasiswa Di Amik Tunas Bangsa. Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika), 1(1), 75.
[5] Ramadhani, L. K., & Widyaningrum, B. N. 2022. Perbandingan Metode Klasifikasi Naïve Bayes dan Support Vector Machine Pada Predikat Kelulusan Mahasiswa. 8798, 150–154.
[6] Breiman, L. 2001. Using iterated bagging to debias regressions. Machine Learning, 45(3), 261–277.
[7] Breiman, L., & Ihaka, R. 1984. Nonlinear discriminant analysis via scaling and ACE. Technical Report No. 40, 40.
[8] Srirahayu, A., & Pribadie, L. S. 2023. Review Paper Data Mining Klasifikasi Data Mining. Jurnal Ilmiah Informatika Global, 14
[9] Sains, S., Kelulusan, P., Di, M., Kampar, P., Saputra, A., & Fitri, T. A. 2023. Penerapan Data Mining Algortima C4.5 Dalam Memprediksi.
[10] Wibowo, A., & Rohman, A. 2022. Prediksi Predikat Kelulusan Mahasiswa
Menggunakan Naive Bayes dan Decision Tree pada Universitas XYZ. EXPERT: Jurnal Manajemen Sistem Sistem Informasi dan Teknologi, 12(2), 104.
[11] Zailani, A. U., & Hanun, N. L. 2020. Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Infotech: Journal of Technology Information, 6(1), 7–14.
[12] Rahmah Muthia, 2018. Klasifikasi Ketepatan Lama Studi Mahasiswa Menggunakan Metode Support Vector Machine dan Random Forest. 1–26.
[13] Nurvania, J., Jondri, & Lhaksamana, K. M. 2021. Analisis Sentimen Pada Ulasan di TripAdvisor Menggunakan Metode Long Short-Term Memory (LSTM). E-Proceeding of Engineering, 8(4), 4124–4135.
[14] Renaldo Yosia Rafael, F. A. 2023. Pengimplmentasian Algoritma Long ShortTerm Memory Untuk Mendeteksi Ujaran Kebencian Pada Aplikasi Twitter. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 8(2), 551–560.
[15] Schuerer, K., Maufrais, C., Letondal, C., & Deveaud, E. 2004. Introduction to Programming using Python Programming Course for Biologists at the Pasteur Institute.
[16] Wahyono, T. 2021. Fundamental of Python for Machine Learning Dasar-Dasar Pemrograman Python untuk Machine Learning dan Kecerdasan Buatan.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Jaringan dan Teknologi Informasi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
