Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara
Aryo Bagus Satrio Wicaksono
Universitas Pembangunan Nasional "Veteran" Jawa Timur
Computer Science & IT Education Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS KINERJA LOGISTIC REGRESSION, K-NEAREST NEIGHBOR, DECISION TREE, DAN RANDOM FOREST UNTUK PREDIKSI PUTUS STUDI MAHASISWA BERBASIS DATA AKADEMIK TABULAR Angga Dwi Cahyono; Khansa Alyssa Fauziyah; Arif Dwi Putra; Nafiendra Praba Hendyka; Aryo Bagus Satrio Wicaksono; Ani Dijah Rahajoe
Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara Vol. 5 No. 1 (2026): Volume 5 No 1 Tahun 2026
Publisher : PT Siantar Codes Academy Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.260396/90f8b259

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.
Co-Authors Angga Dwi Cahyono Ani Dijah Rahajoe Arif Dwi Putra Khansa Alyssa Fauziyah Nafiendra Praba Hendyka