<![CDATA[Produktivitas mahasiswa merupakan salah satu indikator penting dalam mengevaluasi keberhasilan proses pembelajaran di perguruan tinggi. Tingkat produktivitas dipengaruhi oleh berbagai aktivitas akademik dan nonakademik sehingga diperlukan suatu metode yang mampu mengklasifikasikan tingkat produktivitas mahasiswa secara cepat dan akurat. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest dalam mengklasifikasikan tingkat produktivitas mahasiswa berdasarkan aktivitas akademik dan nonakademik serta mengembangkan sistem berbasis web sebagai implementasi model klasifikasi. Penelitian menggunakan Student Performance Dataset yang terdiri dari 2.392 data mahasiswa dengan atribut GPA, StudyTimeWeekly, Absences, Tutoring, ParentalSupport, Extracurricular, Sports, Music, dan Volunteering, sedangkan GradeClass digunakan sebagai variabel target. Metode penelitian mengacu pada tahapan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Proses pemodelan dilakukan menggunakan algoritma Random Forest, sedangkan evaluasi model menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa model Random Forest memperoleh tingkat akurasi sebesar 91,44%, sehingga mampu mengklasifikasikan tingkat produktivitas mahasiswa dengan baik. Model yang telah dibangun kemudian diimplementasikan ke dalam sistem berbasis web menggunakan Flask, sehingga pengguna dapat melakukan prediksi tingkat produktivitas mahasiswa berdasarkan data akademik dan nonakademik yang dimasukkan. Hasil penelitian menunjukkan bahwa algoritma Random Forest efektif digunakan dalam klasifikasi tingkat produktivitas mahasiswa dan dapat menjadi pendukung dalam proses evaluasi akademik di lingkungan perguruan tinggi.]]>
Copyrights © 2026
