Klasifikasi Risiko Dropout Mahasiswa Menggunakan Algoritma Random Forest pada Dataset Predict Students' Dropout and Academic Success

Abstrak

Tingginya angka dropout mahasiswa merupakan salah satu permasalahan yang dihadapi perguruan tinggi karena berdampak terhadap kualitas lulusan, efektivitas penyelenggaraan pendidikan, serta tingkat retensi mahasiswa. Oleh karena itu, diperlukan suatu metode yang mampu mengidentifikasi mahasiswa yang berisiko dropout secara lebih dini berdasarkan data akademik yang tersedia. Penelitian ini bertujuan mengklasifikasikan risiko dropout mahasiswa menggunakan algoritma Random Forest dengan memanfaatkan dataset Predict Students’ Dropout and Academic Success yang diperoleh dari UCI Machine Learning Repository. Penelitian menggunakan pendekatan kuantitatif dengan tahapan meliputi pengumpulan dataset, data cleaning, transformasi variabel target menjadi klasifikasi biner (Dropout dan Tidak Dropout), pembagian data, pembangunan model Random Forest, serta evaluasi model menggunakan metode 10-Fold Cross Validation. Dataset yang digunakan terdiri atas 4.424 data mahasiswa dengan 35 atribut, yang meliputi 34 atribut prediktor dan 1 atribut target. Kinerja model dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, Area Under Curve (AUC), dan Matthews Correlation Coefficient (MCC). Hasil penelitian menunjukkan bahwa model Random Forest memperoleh Accuracy sebesar 86,1%, Precision 85,8%, Recall 86,1%, F1-Score 85,8%, AUC 0,902, dan MCC 0,673. Nilai AUC menunjukkan kemampuan klasifikasi yang sangat baik dalam membedakan mahasiswa yang berisiko dropout dan yang tidak, sedangkan nilai MCC menunjukkan kualitas prediksi yang cukup kuat meskipun data memiliki distribusi kelas yang tidak seimbang. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa yang baik dan berpotensi diterapkan sebagai sistem pendukung keputusan untuk membantu perguruan tinggi melakukan deteksi dini terhadap mahasiswa yang berisiko dropout sehingga intervensi akademik dapat dilakukan secara lebih cepat dan tepat. 

Kata Kunci: Random Forest, machine learning, klasifikasi, dropout mahasiswa, data akademik