Prediksi Capaian Kelulusan Mahasiswa Jenjang Sarjana Universitas di Yogyakarta Menggunakan Machine Learning.

Ibrahim, Zulfa Safina and Retnawati, Heri (2025) Prediksi Capaian Kelulusan Mahasiswa Jenjang Sarjana Universitas di Yogyakarta Menggunakan Machine Learning. S2 thesis, Sekolah Pascasarjana.

Text tesis_zulfa safina ibrahim_22701251027.pdf Restricted to Registered users only Download (2MB)

Abstract

Penelitian ini bertujuan untuk mengungkap (1) faktor-faktor yang dapat mempengaruhi masa studi mahasiswa dalam menempuh jenjang sarjana, (2) perbandingan hasil prediksi capaian kelulusan mahasiswa jenjang sarjana menggunakan algoritma Decision Tree dan Random Forest pada variabel dependen kategorik, (3) perbandingan hasil prediksi capaian kelulusan mahasiswa jenjang sarjana menggunakan algoritma Decision Tree dan Random Forest pada variabel dependen numerik, dan (4) perbandingan penggunaan variabel dependen kategorik dan numerik untuk memprediksi kelulusan menggunakan algoritma Decision Tree dan Random Forest. Penelitian ini merupakan penelitian kuantitatif prediktif. Analisis pada penelitian ini menggunakan Machine Learning dengan berbantuan software RStudio. Data yang digunakan pada penelitian ini adalah data sekunder, yaitu data registrasi 19.061 mahasiswa salah satu universitas besar di Yogyakarta tahun 2013-2019. Penelitian ini memanfaatkan algoritma Decision Tree dan Random Forest untuk memprediksi capaian kelulusan mahasiswa, dengan membandingkan kinerja kedua algoritma berdasarkan metrik evaluasi dan rasio pembagian data. Hasil penelitian ini adalah sebagai berikut. (1) Fakultas, jalur masuk, jenis kelamin, dan status non-Bidikmisi secara signifikan memengaruhi kelulusan tepat waktu mahasiswa jenjang sarjana. Faktor sosial-ekonomi, termasuk pendidikan ayah dan jumlah SKS yang diambil, juga berkontribusi terhadap waktu kelulusan. (2) Dalam analisis prediksi menggunakan algoritma, Random Forest terbukti memiliki akurasi lebih tinggi dibandingkan Decision Tree pada variabel dependen kategorik, terutama pada rasio pembagian data terbaik 75:25. (3) Untuk variabel dependen numerik, algoritma Random Forest lebih unggul daripada Decision Tree, khususnya pada rasio terbaiknya yakni 80:20. (4) Namun, perbandingan antara variabel dependen kategorik dan numerik sulit dilakukan karena keduanya menggunakan metrik berbeda, di mana variabel kategorik memerlukan algoritma klasifikasi, sedangkan variabel numerik menggunakan teknik regresi.

Item Type:	Thesis (S2)
Uncontrolled Keywords:	Decision Tree, Machine Learning, prediksi, Random Forest
Subjects:	Pendidikan > Pendidikan Tinggi Pendidikan > Teknologi Pendidikan Pendidikan > Evaluasi Pendidikan
Divisions:	Sekolah Pascasarjana (SPS) > Penelitian dan Evaluasi Pendidikan
Depositing User:	Perpustakaan Pascasarjana
Date Deposited:	04 Nov 2025 06:46
Last Modified:	04 Nov 2025 06:46
URI:	http://eprints.uny.ac.id/id/eprint/88374

Actions (login required)

View Item