Prediksi Prestasi Akademik Mahasiswa Menggunakan Algoritma Random Forest Dan C4.5

Abstract

Pada tahun akademik pertama rata-rata hasil belajar mahasiswa menimbulkan berbagai masalah yang akan berdampak pada semester selanjutnya. Evaluasi keberhasilan penyelenggaraan program studi pada suatu perguruan tinggi dilihat dari hasil belajar mahasiswa. Metode data mining mungkin bisa mengidentifikasi model yang tepat untuk memperbaiki setiap permasalahan yang timbul agar dapat ditangani oleh dosen yang bersangkutan. Tujuan penelitian ini untuk menerapkan metode data mining untuk prediksi prestasi akademik mahasiswa dengan mengeksplorasi berbagai parameter. Kami mengusulkan teknik data mining yang efisien untuk memprediksi prestasi akademik mahasiswa. Dengan teknik klasifikasi dari data mining yaitu Decision Tree C4.5 dan Random Forest. Tahap penelitian yang dilakukan adalah melakukan pre-processing pada dataset yaitu melakukan pengkodean pada nilai atribut yang non-numerik, kemudian dilakukan pengujian cross-validation. Dan untuk membangun model prediksi prestasi akademik mahasiswa, kami melakukan proses klasifikasi menggunakan metode Decision Tree C4.5 dan Random Forest. Metode yang digunakan dalam pengujian penelitian ini yaiut Confusion Matrix yaitu suatu metode yang biasanya digunakan dalam melakukan perhitungan akurasi pada suatu data mining. Perhitungan yang dihasilkan terdiri recall, acuraccy dan precision. Hasil dari pengujian dengan model klasifikasi Decision Tree C4.5 dan Random Forest pada penelitian ini menunjukkan bahwa model klasifikasi Random Forest memiliki nilai accuracy sebesar 92.4%, precision sebesar 91.4% dan recall sebesar 92,4% lebih tinggi dibandingkan Decision Tree C4.5.

Optimasi Correlation-Based Feature Selection Untuk Perbaikan Akurasi Random Forest Classifier Dalam Prediksi Performa Akademik Mahasiswa

“…Random Forest merupakan metode hasil pengembangan dari algoritma Classification And Regression Tree (CART) yang pada penerapannya menggunakan metode bootstrap aggregating (bagging) dan random feature selection [6]. Pada penelitian-penelitian sebelumnya, metode Random Forest telah banyak digunakan untuk memprediksi kinerja akademik peseta didik dalam dunia pendidikan [7] [8]. Namun, yang menjadi pembeda antara penelitian ini dengan penelitian sebelumnya adalah studi kasus dan indikator yang digunakan untuk prediksi performa peserta didik.…”