Principal Component Analysis pada Random Forest untuk Deteksi Dini Dropout Mahasiswa

Rully Ghozali (Program Studi Sistem Informasi Universitas Islam Nahdlatul Ulama Jepara)
Kevin Ramadhan Oktaviano (Program Studi Sistem Informasi Universitas Islam Nahdlatul Ulama Jepara)
Anando Ferdi Setiawan (Program Studi Sistem Informasi Universitas Islam Nahdlatul Ulama Jepara)
Muhammad Rio Ramadani (Program Studi Sistem Informasi Universitas Islam Nahdlatul Ulama Jepara)
Heru Saputro (Program Studi Sistem Informasi Universitas Islam Nahdlatul Ulama Jepara)

Journal Computer Science and Applied Technology
Vol. 4 No. 2 (2026): J-CSAT Agusutus

Penelitian ini menguji pengaruh Principal Component Analysis (PCA) terhadap performa Random Forest dalam deteksi dini risiko dropout mahasiswa. Dua skema dibandingkan, yaitu Random Forest tanpa PCA dan dengan PCA, menggunakan Orange Data Mining (Orange3) pada dataset Kaggle Predict Students' Dropout and Academic Success (4.424 data, 35 atribut, tiga kelas target). PCA diterapkan dengan dua komponen utama (explained variance 26%). Kelas Dropout dievaluasi menggunakan validasi silang 10-lipat bertingkat dengan metrik AUC, Akurasi, F1, Presisi, Recall, dan MCC. Random Forest tanpa PCA memperoleh performa lebih tinggi pada seluruh metrik (AUC 0,905; Accuracy 0,856; F1 0,771; Precision 0,790; Recall 0,754; MCC 0,667) dibandingkan Random Forest dengan PCA (AUC 0,834; Accuracy 0,800; F1 0,676; Precision 0,704; Recall 0,650; MCC 0,533), yang diduga disebabkan oleh rendahnya variansi kumulatif yang dipertahankan.