Analisis Kinerja Algoritma Random Forest dalam Klasifikasi Kelulusan Mahasiswa Menggunakan Student Performance Dataset

Abstract

Perkembangan pesat pembelajaran mesin telah mendorong penerapannya di sektor pendidikan untuk mendukung pengambilan keputusan berbasis data, khususnya dalam klasifikasi kelulusan siswa. Studi ini bertujuan untuk mengimplementasikan algoritma Random Forest untuk mengklasifikasikan status kelulusan siswa menggunakan Dataset Kinerja Siswa. Penelitian ini menggunakan pendekatan eksperimental kuantitatif yang terdiri dari pra-pemrosesan data, membagi dataset menjadi data pelatihan (80%) dan data pengujian (20%), mengembangkan model klasifikasi Random Forest, dan mengevaluasi kinerjanya menggunakan Akurasi, Presisi, Recall, F1-Score, Area Under the Curve (AUC), dan Matriks Konfusi. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai Akurasi 89,87%, Presisi 90,21%, Recall 88,46%, F1-Score 89,33%, dan nilai AUC 0,94. Matriks Konfusi menunjukkan bahwa model tersebut mengklasifikasikan sebagian besar data dengan benar, dengan 29 True Negative, 42 True Positive, 3 False Positive, dan 5 False Negative. Temuan ini menunjukkan bahwa algoritma Random Forest memberikan kinerja yang baik, stabil, dan efektif dalam mengklasifikasikan kelulusan siswa berdasarkan data akademik. Studi ini diharapkan dapat menjadi referensi untuk implementasi pembelajaran mesin dalam mendukung pengambilan keputusan pendidikan, khususnya untuk identifikasi dini siswa yang berisiko mengalami keterlambatan kelulusan.

Kata kunci: Random Forest, Pembelajaran Mesin, Klasifikasi, Kelulusan Mahasiswa, Evaluasi Model.