<![CDATA[Keberhasilan seorang mahasiswa dalam menyelesaikan studinya tepat waktu merupakan faktor kunci dalam pencapaian sebuah lembaga pendidikan tinggi. Algoritma machine learning memberikan pendekatan inovatif dalam analisis data serta prediksi berdasarkan pola yang teridentifikasi. Penelitian ini bertujuan membandingkan algoritma machine learning yang umum digunakan dalam mengklasifikasikan kelulusan mahasiswa, seperti Naive Bayes dan Decision Trees. Data yang diterapkan dalam penelitian ini diperoleh dari kaggle.com dan terdiri dari 4424 entri, yang terbagi menjadi tiga kategori: lulus, drop out, dan masih aktif. Data dapat digunakan untuk melakukan pelatihan setelah tahapan preprocessing, meliputi penghapusan data yang tidak relevan serta transformasi yang diperlukan. Setelah tahapan preprocessing selesai, dilakukan implementasi algoritma Naïve Bayes dan Decision Tree. Hasil penelitian menpresentasikan akurasi Naïve Bayes yakni 70,33% dan Decision Tree yakni 67,09%, dengan F1-score Naïve Bayes 61,81% dan Decision Tree 60,80%. Selain itu, hasil cross-validation menunjukkan akurasi Naïve Bayes sebesar 70,00% dan Decision Tree sebesar 68,29%. Dari hasil tersebut, terbukti bahwa Naïve Bayes memiliki performa yang lebih bagus jika dikomparasi dengan Decision Tree dalam konteks penelitian ini.]]>
Copyrights © 2024
