PERBANDINGAN KINERJA ALGORITMA DECISION TREE (C4.5) DAN NAIVE BAYES DALAM MEMBANGUN EARLY WARNING SYSTEM (EWS) RISIKO AKADEMIK MAHASISWA

• AHMAD FIRDAUS HIRANA
• MAILA FAIZA SHAFIRA
• 2025

---

Tingginya angka risiko akademik mahasiswa menjadi tantangan utama bagi institusi pendidikan tinggi. Penelitian ini bertujuan untuk mengembangkan sebuah Early Warning System (EWS) dengan melakukan studi komparatif terhadap dua algoritma klasifikasi, yaitu Decision Tree (C4.5) dan Naive Bayes, untuk memprediksi risiko akademik mahasiswa. Metode penelitian menggunakan pendekatan kuantitatif dengan data primer yang dikumpulkan melalui kuesioner dari mahasiswa berbagai universitas dan jurusan di Indonesia. Hasil pemodelan menunjukkan bahwa algoritma Naive Bayes memiliki kinerja yang lebih unggul dengan tingkat akurasi 90.7% dan recall 87.5% untuk kelas 'Berisiko', dibandingkan dengan Decision Tree. Analisis feature importance dari model Naive Bayes mengidentifikasi bahwa motivasi belajar adalah faktor penentu paling signifikan, diikuti oleh faktor lingkungan akademik seperti jurusan dan kendala akademik. Temuan ini menyimpulkan bahwa Naive Bayes merupakan model yang lebih andal untuk kasus ini dan faktor psikologis mahasiswa memegang peran krusial dalam keberhasilan akademik.

• Early Warning System
• Prediksi Risiko Akademik
• Decision Tree
• Naive Bayes
• Data Mining Pendidikan

https://repository.bsi.ac.id/repo/72765/PERBANDINGAN-KINERJA-ALGORITMA-DECISION-TREE-(C4.5)-DAN-NAIVE-BAYES-DALAM-MEMBANGUN-EARLY-WARNING-SYSTEM-(EWS)-RISIKO-AKADEMIK-MAHASISWA
File full-text dikunci.