ANALISIS KINERJA LOGISTIC REGRESSION, K-NEAREST NEIGHBOR, DECISION TREE, DAN RANDOM FOREST UNTUK PREDIKSI PUTUS STUDI MAHASISWA BERBASIS DATA AKADEMIK TABULAR

Abstract

Putusnya studi mahasiswa menjadi masalah bagi institusi perguruan tinggi karena berdampak pada kualitas lulusan, reputasi institusi, dan efisiensi pengelolaan pendidikan. Perguruan tinggi seringkali menggunakan pendekatan secara konvensional dalam melihat perkembangan mahasiswa. Namun, pendekatan konvensional tidaklah efektif karena bersifat subjektif dan memiliki bias kognitif. Pendekatan dengan menggunakan data mining dapat menjadi solusi bagi perguruan tinggi untuk dapat dijadikan sebagai sistem peringatan dini dalam memprediksi mahasiswa yang berpotensi mengalami dropout. Penelitian ini bertujuan untuk membandingkan empat algoritma klasifikasi data mining dalam mendeteksi potensi putusnya studi mahasiswa yaitu Logistic Regression, KNN, Decision Tree, dan Random Forest dengan menggunakan dataset sekunder yang didapatkan dari website Kaggle yang terdiri dari 4.424 data mahasiswa dengan variabel yang berbeda-beda. Evaluasi performa model dilakukan dengan menggunakan metrik accuracy, precision, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model Random Forest adalah model dengan performa terbaik dengan nilai precision dan F1-Score tertinggi dibandingkan algoritma lainnya. Model ini dapat digunakan sebagai dasar sistem peringatan dini untuk mendeteksi mahasiswa yang berpotensi mengalami dropout.