<![CDATA[Transformasi digital mendorong institusi pendidikan tinggi untuk mengoptimalkan pengolahan data alumni guna meningkatkan mutu layanan dan efisiensi manajemen pendidikan. Universitas Royal memiliki data tracer study yang melimpah, namun pengelolaannya selama ini masih didominasi oleh pendekatan deskriptif konvensional sehingga potensi prediktifnya belum termanfaatkan secara maksimal. Penelitian ini bertujuan untuk memprediksi tingkat kesesuaian lulusan dengan dunia kerja menggunakan pendekatan ensemble learning yang menggabungkan algoritma Random Forest dan XGBoost melalui mekanisme soft voting classifier. Dataset awal diolah melalui tahap pembersihan data yang meliputi eliminasi label kosong, penghapusan data duplikat (deduplikasi), dan imputasi statistik, sehingga menghasilkan sebaran kelas target yang terdiri atas 759 data "Sesuai" (83,5%) dan 150 data "Tidak Sesuai" (16,5%). Proses prapemrosesan melibatkan imputasi median untuk data numerik, imputasi modus untuk data kategorikal, transformasi fitur dengan one-hot encoding pada variabel jurusan dan instansi, serta normalisasi menggunakan Min-Max Scaler. Dataset dengan total 909 data valid ini dibagi secara proporsional menjadi 727 data latih (80%) dan 182 data uji (20%). Hasil eksperimen menunjukkan bahwa model ensemble voting mencatatkan performa tertinggi dibandingkan model tunggal, dengan nilai akurasi sebesar 80,77%, presisi 85,45%, recall 92,76%, dan F1-score 88,96%. Sebagai pembanding, algoritma Random Forest tunggal memperoleh akurasi 78,57% dan XGBoost memperoleh 79,67%. Melalui analisis feature importance, ditemukan bahwa masa tunggu kerja merupakan faktor paling dominan dengan kontribusi sebesar 33,3%, diikuti oleh kompetensi (26,7%), Indeks Prestasi Kumulatif (24,6%), instansi tempat kerja (12,8%), dan program studi (2,6%). Pendekatan ensemble ini terbukti efektif dalam memberikan stabilitas generalisasi yang superior untuk memproyeksikan linearitas karier alumni serta mendukung pengambilan keputusan strategis institusi.]]>
Copyrights © 2026
