Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Data Sciences Indonesia (DSI)
Azzahra, Vanya Alifia
Unknown Affiliation
Computer Science & IT Education Physics

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

Found 1 Documents
Search

 1 
Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Algoritma Random Forest Regressor Azzahra, Vanya Alifia
Data Sciences Indonesia (DSI) Vol. 5 No. 2 (2025): Article Research Volume 5 Issue 2, Desember 2025
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v5i2.7467

Abstract

Menurunnya jumlah mahasiswa baru pada perguruan tinggi swasta merupakan fenomena yang membutuhkan perhatian strategis guna menjaga keberlanjutan institusi. Penelitian ini difokuskan pada estimasi jumlah mahasiswa baru Fakultas Teknologi Informasi Universitas Sebelas April untuk periode 2021-2025. Metode penelitian meliputi proses akuisisi data, pra-pemrosesan, hingga evaluasi model berbasis metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Coefficient of Determination (). Hasil eksperimen memperlihatkan performa training yang solid dengan nilai sebesar 0.81. Namun, pada fase pengujian (testing) dengan data tahun 2025, diperoleh nilai MAE sebesar 42.12, dan MSE sebesar 1774.09. Disparitas kinerja ini disebabkan oleh keterbatasan volume data historis, di mana model memprediksi secara konservatif (155 mahasiswa) dibandingkan realisasi aktual yang turun drastis (113 mahasiswa). Analisis Feature Importance mengungkapkan bahwa variabel 'Trend' memiliki pengaruh dominan sebesar 66.6% dibandingkan variabel historis tahun sebelumnya (Lag) sebesar 33.4%, yang mengindikasikan adanya pola penurunan minat yang bersifat sistematis dan struktural. Penelitian ini menyimpulkan bahwa meskipun akurasi prediktif terkendala oleh minimnya sampel data, model berhasil memberikan indikator peringatan dini (early warning) bagi manajemen fakultas untuk merumuskan strategi adaptif yang lebih efektif.
Co-Authors