<![CDATA[Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi tingkat kelulusan mahasiswa secara tepat waktu pada Program Studi PTIK di UIN Bukittinggi. Dalam melakukan prediksi tingkat kelulusan mahasiswa terdapat berbagai faktor yang mempengaruhi keberhasilan mahasiswa dalam menyelesaikan studi tepat waktu. Penelitian ini menerapkan metode klasifikasi guna memprediksi kelulusan mahasiswa dengan menggunakan alat bantu RapidMiner. Dataset yang digunakan adalah data mahasiswa, yang diambil dari sistem e-campus UIN Bukittinggi. Sebanyak 164 data mahasiswa angkatan 2019 digunakan sebagai sampel untuk membangun model prediksi. Data dianalisis dan diproses melalui tahapan integrasi, pembersihan data, penanganan missing values, serta normalisasi. Model klasifikasi Decision Tree dan Random Forest digunakan untuk memprediksi kelulusan mahasiswa. Hasil penelitian menunjukkan bahwa model dengan akurasi 92,92% mampu memprediksi status kelulusan mahasiswa secara efektif. Confusion Matrix menunjukkan model memiliki performa yang baik dalam memprediksi kelas “Lulus” dan “Tidak Lulus” dengan kesalahan minimum. Model ini diharapkan dapat digunakan sebagai alat bantu bagi pihak kampus dalam melakukan deteksi dini mahasiswa yang berpotensi tidak lulus tepat waktu sehingga dapat dilakukan intervensi yang sesuai.Kata Kunci: Klasifikasi, Decicion Tree, Random ForestAbstract This study aims to identify factors that affect the timely graduation rate of students in the PTIK Study Program at UIN Bukittinggi. In predicting student graduation rates, there are various factors that influence the success of students in completing their studies on time. This research applies the classification method to predict student graduation using RapidMiner tools. The dataset used is student data, which is taken from the e-campus system of UIN Bukittinggi. A total of 164 2019 student data were used as samples to build a prediction model. The data is analyzed and processed through the stages of integration, data cleaning, handling missing values, and normalization. Decision Tree and Random Forest classification models are used to predict student graduation. The results showed that the model with an accuracy of 92.92% was able to predict student graduation status effectively. Confusion Matrix shows that the model has good performance in predicting the “Pass” and “Not Pass” classes with minimum error. This model is expected to be used as a tool for the campus in conducting early detection of students who have the potential not to graduate on time so that appropriate interventions can be made.Keywords: Classification, Decision Tree , Random Forest]]>
