Jurnal Rekayasa Sistem Informasi dan Teknologi
Vol. 4 No. 1 (2026): Agustus

Perbandingan Algoritma Decision Tree dan Random Forest dengan Hyperparameter Tuning untuk Prediksi Kelayakan Mahasiswa Penerima Beasiswa

Bentar Candra Perdana (Universitas PGRI Jombang)
Nikko Restian Putra Wardoyo (Universitas PGRI Jombang)
Elis Anita farida (Universitas Anwar Medika)



Article Info

Publish Date
30 Aug 2026

Abstract

Penentuan kelayakan mahasiswa penerima beasiswa merupakan salah satu proses pengambilan keputusan yang membutuhkan pengolahan data secara sistematis agar bantuan dapat diberikan kepada mahasiswa yang sesuai dengan kriteria. Pemanfaatan data mining dan machine learning dapat digunakan untuk menemukan pola dari data mahasiswa dan membangun model prediksi kelayakan penerima beasiswa. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelayakan mahasiswa penerima beasiswa serta menganalisis pengaruh hyperparameter tuning terhadap performa kedua algoritma. Dataset yang digunakan terdiri atas karakteristik mahasiswa dan kondisi sosial ekonomi keluarga, meliputi jenis kelamin, alamat, program studi yang dipilih, alat transportasi, penghasilan ayah, dan pekerjaan ayah, dengan status layak atau tidak layak menerima beasiswa sebagai variabel target. Tahapan penelitian menggunakan pendekatan data mining yang meliputi data understanding, data preparation, exploratory data analysis, pembagian data, pemodelan, hyperparameter tuning, dan evaluasi. Empat model dibandingkan, yaitu Decision Tree tanpa tuning, Decision Tree dengan hyperparameter tuning, Random Forest tanpa tuning, dan Random Forest dengan hyperparameter tuning. Proses optimasi dilakukan menggunakan pencarian kombinasi hyperparameter dengan cross-validation. Evaluasi model menggunakan accuracy, precision, recall, dan F1-score, serta analisis confusion matrix. Hasil penelitan membuktikan bahwa kedua Algoritma Random Forest dan Decision Tree dengan hyperparameter tuning dapat meingkatkan akurasinya sehingga memberikan performa terbaik. Akan tetapi algoritma random forest dengan hyperparamater tuning menjadi yang paling tinggi nilai akurasinya yaitu sebesar 87.38% dengan F1-score 84%, Precision 85% dan recall 87% dalam memprediksi kelayakan mahasiswa penerima beasiswa serta mengidentifikasi karakteristik yang paling berkontribusi terhadap hasil klasifikasi

Copyrights © 2026






Journal Info

Abbrev

jrsit

Publisher

Subject

Computer Science & IT Decision Sciences, Operations Research & Management

Description

Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT) adalah jurnal nasional sebagai media kajian ilmiah hasil penelitian, pemikiran, dan kajian kritis-analitik mengenai penelitian di bidang ilmu dan teknologi komputer, termasuk Teknik Sistem, Teknik Informatika, Teknologi Informasi, Informatika ...