<![CDATA[Drop out merupakan salah satu masalah yang pernah dihadapi oleh sebagian mahasiswa dan dapat mempengaruhi mutu pendidikan di suatu perguruan tinggi. Drop out dapat terjadi karena berbagai macam faktor. Salah satu cara untuk mengetahui faktor - faktor yang mempengaruhi mahasiswa drop out ialah dengan klasifikasi. Klasifikasi mahasiswa drop out dalam penelitian ini menggunakan beberapa atribut atau variabel, diantaranya Indeks Prestasi Komulatif (IPK), Satuan Kredit Semester (SKS) Total, Asal Sekolah, Pekerjaan Orang Tua, Penghasilan Orang Tua, Biaya Kuliah, Jenis Tempat Tinggal dan Status Mahasiswa. Algoritma klasifikasi yang digunakan yaitu Algoritma Decision Tree C4.5 dan Algoritma Naive Bayes. Penelitian ini dilakukan untuk membandingkan kinerja dari algoritma Decision Tree C4.5 dan Naive Bayes sehingga didapat algoritma paling baik dalam mengklasifikasikan mahasiswa berpotensi drop out. Hasil yang didapat dalam penelitian ini adalah algoritma Decision Tree C4.5 menghasilkan nilai accuracy dan f1-score sebesar 96,74% dan 86,55% sedangkan algoritma Naive Bayes menghasilkan nilai accuracy dan f1-score sebesar 96,24% dan 82,34%. Dari hasil tersebut dapat disimpulkan bahwa algoritma yang memiliki peforma paling baik dalam mengklasifikasikan mahasiswa drop out ialah Algoritma Decision Tree C4.5. Hasil penelitian ini diimplementasi menggunakan pohon keputusan dengan SKS Total sebagai root yang berarti SKS Total merupakan faktor paling berpengaruh dalam klasifikasi mahasiswa drop out. Rekomendasi untuk penelitian selanjutnya dapat membandingkan lebih dari dua algoritma atau menambah variabel lain dalam mengklasifikasikan mahasiswa berpotensi drop out.]]>
Copyrights © 2021
