Perbandingan Algoritma Klasifikasi untuk Prediksi Kelulusan Mahasiswa Teknik Informatika dengan Orange Data Mining

Abstract

Penyelesaian studi tepat waktu merupakan indikator penting dalam menilai kompetensi lulusan. Meskipun demikian, muncul tantangan karena tidak semua mahasiswa dapat menyelesaikan studi mereka sesuai jadwal yang telah ditentukan. Penelitian ini mengembangkan model prediksi status kelulusan mahasiswa menggunakan empat algoritma klasifikasi: Decision Tree, Naïve Bayes, K-NN, dan SVM. Data penelitian mencakup 500 data mahasiswa angkatan 2018-2020 di Universitas Muhammadiyah Prof. Dr. Hamka, dengan 60% data latihan dan 40% data uji. Analisis dilakukan menggunakan perangkat lunak Orange Data Mining, dengan evaluasi menggunakan K-Fold Cross Validation (k=5), Confusion Matrix, dan ROC. Hasil analisis menunjukkan bahwa model K-NN memiliki performa tertinggi dengan akurasi 92%, recall 90%, dan presisi 92%. Decision Tree menempati posisi kedua dengan akurasi 90%, presisi 87%, dan recall 90%. SVM mencapai akurasi sebesar 84%, dengan presisi 90%, recall 73%. Sementara itu, model Naïve Bayes menunjukkan akurasi 83%, presisi 80%, dan recall 83%.