Perbandingan Model Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree dan Naive Bayes

Abstract

Kelulusan mahasiswa merupakan salah satu indikator utama kinerja perguruan tinggi yang dipengaruhi oleh berbagai faktor akademik dan non-akademik. Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa menggunakan pendekatan machine learning dengan membandingkan kinerja tiga algoritma, yaitu Decision Tree, dan Naive Bayes. Dataset yang digunakan berjumlah 200 data mahasiswa, dengan variabel prediktor yang meliputi IPK kumulatif, jumlah SKS, tingkat kehadiran, jumlah remedial, status beasiswa, keaktifan organisasi, serta latar belakang ekonomi. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi sebesar 93%, precision 94%, recall 95%, dan F1-Score 94%. sedangkan Naive Bayes memperoleh akurasi 88%. Faktor-faktor utama yang mempengaruhi kelulusan mahasiswa berdasarkan model Decision Tree adalah IPK, tingkat kehadiran, jumlah pengulangan mata kuliah, serta keaktifan organisasi dan status beasiswa. Model yang dihasilkan diharapkan dapat digunakan sebagai alat bantu pengambilan keputusan bagi perguruan tinggi dalam melakukan monitoring akademik dan deteksi dini mahasiswa yang berpotensi mengalami keterlambatan kelulusan.