<![CDATA[Pemanfaatan teknologi informasi dalam pengolahan data akademik telah menjadi kebutuhan strategis bagi perguruan tinggi, khususnya dalam mendukung proses pengambilan keputusan berbasis data. Salah satu penerapannya adalah prediksi kelulusan mahasiswa guna mengidentifikasi potensi ketidaktepatan waktu penyelesaian studi sehingga dapat dilakukan intervensi akademik secara lebih dini. Berbagai penelitian sebelumnya menunjukkan bahwa algoritma Decision Tree, terutama C4.5, mampu menghasilkan performa prediksi yang baik. Namun, sebagian besar studi masih bergantung pada parameter default seperti Gini index dan menggunakan dataset terbatas sehingga hasilnya kurang generalizable. Penelitian ini memodifikasi algoritma Decision Tree dengan menerapkan kriteria pemisahan Entropy serta memanfaatkan Students Performance Dataset dari Kaggle yang memiliki keragaman atribut lebih luas. Temuan penelitian menunjukkan bahwa penggunaan Entropy dapat meningkatkan akurasi model dan menghasilkan struktur pohon keputusan yang lebih informatif dalam mengidentifikasi faktor-faktor yang mempengaruhi kelulusan mahasiswa. Hasil ini diharapkan dapat menjadi dasar pengembangan sistem prediksi akademik yang lebih akurat, adaptif, dan berbasis machine learning.]]>
Copyrights © 2025
