ANALISIS PERBANDINGAN ALGORTIMA MACHINE LEARNING DALAM MEMPREDIKSI KELULUSAN MAHASISWA STMIK PRANATA INDONESIA

• YOHANES RAFLES FERNANDO AMBARITA
• 2025

---

Penelitian ini membandingkan algoritma machine learning untuk memprediksi kelulusan mahasiswa di STMIK Pranata Indonesia menggunakan data akademik periode 2020–2024. Data mencakup atribut seperti indeks prestasi semester (IPS), jenis kelamin, usia, dan jurusan. Algoritma yang dianalisis adalah Decision Tree, Naïve Bayes, K-Nearest Neighbors (K-NN), Random Forest, dan Support Vector Machine (SVM). Proses penelitian melibatkan pra-pemrosesan data, termasuk pembersihan, transformasi, dan pembagian dataset dengan rasio 70:30, 80:20, dan 90:10. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, dan F1- score, serta kurva ROC dan matriks kebingungan. Hasil menunjukkan bahwa Decision Tree memiliki akurasi tertinggi (98%), diikuti oleh Random Forest (96%), Naïve Bayes (94%), dan SVM (93%), sementara K-NN mencatat akurasi terendah (89%). Berdasarkan hasil tersebut, Decision Tree direkomendasikan sebagai algoritma paling andal untuk prediksi kelulusan mahasiswa. Temuan ini diharapkan membantu institusi pendidikan dalam mendeteksi mahasiswa yang berisiko terlambat lulus, sehingga memungkinkan intervensi akademik yang lebih efektif.

Kata Kunci: Perbandingan, machine learning, prediksi kelulusan.

https://repository.bsi.ac.id/repo/60388/ANALISIS-PERBANDINGAN-ALGORTIMA-MACHINE-LEARNING-DALAM-MEMPREDIKSI-KELULUSAN-MAHASISWA-STMIK-PRANATA-INDONESIA
File full-text dikunci.