Nur Azizah Harahap
Unknown Affiliation

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

Found 1 Documents
Search

Perbandingan Kinerja Algoritma Decision Tree dan Random Forest dalam Prediksi Kelulusan Siswa Nur Azizah Harahap; Andika Syahdewa; Lubis, Fadhlan Ihsan; Hengki Gunawan; Marsini Sibuea; Darma Juang; Muhammad Amin
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 1 (2026): EDISI JANUARI 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i1.12469

Abstract

Kelulusan siswa merupakan salah satu indikator penting dalam evaluasi proses pembelajaran di bidang pendidikan. Pemanfaatan teknik data mining dapat membantu memprediksi kelulusan siswa secara lebih objektif berdasarkan data akademik dan non-akademik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelulusan siswa. Dataset yang digunakan adalah Student Performance Dataset yang diperoleh dari UCI Machine Learning Repository dengan jumlah 649 data dan 33 variabel. Proses penelitian meliputi tahap prapemrosesan data, pembentukan model klasifikasi, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki nilai akurasi dan precision yang lebih tinggi dibandingkan Decision Tree, sedangkan Decision Tree menunjukkan nilai recall yang lebih baik dalam mendeteksi siswa yang tidak lulus. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dalam menghasilkan prediksi yang tepat, sementara Decision Tree lebih efektif dalam mengenali seluruh kasus ketidaklulusan. Dengan demikian, pemilihan algoritma terbaik perlu disesuaikan dengan kebutuhan analisis dan tujuan penerapan sistem prediksi kelulusan siswa.