PENERAPAN DATA MINING UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE

Abstrak

Tingkat kelulusan mahasiswa merupakan indikator strategis kinerja perguruan tinggi, namun prediksi yang akurat sering terhambat oleh kompleksitas data akademik yang tidak terpetakan secara optimal. Penelitian ini bertujuan untuk menerapkan teknik data mining dalam memprediksi status kelulusan mahasiswa menggunakan algoritma Decision Tree. Data historis akademik dan demografis dikumpulkan dari
sistem informasi akademik universitas, kemudian diproses melalui tahapan pra-pemrosesan yang mencakup penanganan data hilang (missing value), pengkodean variabel kategorikal, dan seleksi fitur berbasis korelasi/informasi gain. Model Decision Tree dilatih
dan divalidasi menggunakan skema k-fold cross-validation,
dengan evaluasi kinerja mengandalkan metrik akurasi, presisi, recall,
F1-score, dan Area Under Curve*(AUC). Hasil pengujian menunjukkan
bahwa model mencapai akurasi sebesar
80%,
dengan variabel paling determinan berupa IPK kumulatif, jumlah SKS mengulang, dan persentase kehadiran. Selain performa prediktif yang handal, struktur pohon keputusan yang dihasilkan memberikan interpretabilitas tinggi, memudahkan dosen pembimbing dan manajemen akademik dalam mengidentifikasi faktor risiko ketidaktamatan. Penelitian ini merekomendasikan integrasi model ke dalam sistem peringatan dini (early warning system) untuk mendukung intervensi akademik yang tepat waktu dan terukur, guna meningkatkan efisiensi layanan pendidikan serta optimalisasi angka kelulusan institusi.