PENERAPAN METODE DATA MINING UNTUK PREDIKSI DINI KEGAGALAN MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE

Abstract

Kompleksitas permasalahan yang terdapat pada lingkungan Perguruan Tinggi yang dialami oleh Mahasiswa menyebabkan beberapa kemungkinan buruk seperti mahasiswa lulus tidak tepat waktu, dropout dan waktu tunggu mahasiswa yang cukup panjang. Hal tersebut merupakan salah satu faktor  penghambat dalam pengembangan sumber daya manusia. Pada era digitalisasi pengembangan sumber daya manusia dituntut sangat cepat dan mutakhir. Faktor yang mempengaruhi kemungkinan terburuk cukup banyak, beberapa diantaranya seperti manajemen waktu, motivasi yang rendah, depresi karena tekanan personal dan sosial, kesalahan dalam memilih jurusan sesuai dengan passion, masalah keuangan, dan resource belajar. Oleh karena itu, dibutuhkan sebuah sistem pendukung keputusan proses prediksi dini kegagalan mahasiswa. Pada tahap proses belajar, beberapa mahasiswa membutuhkan sebuah bimbingan yang intens terkait dengan permasalah internal maupun eksternal. Namun, sering kita temukan mahasiswa tidak mampu atau tidak berani bertanya terkait dengan permasalahan yang sedang dihadapi. Hal ini banyak ditemukan di lingkungan pendidikan karena seperti terdapat jarak atau jurang pembatas yang membuat mahasiswa merasa takut. Sehingga dengan sistem ini diharapkan pemangku kepentinganlah yang merangkul mahasiswa terlebih dahulu. Tujuan pada penelitian ini untuk memprediksi kegagalan akademis mahasiswa yang berfokus pada informasi penting untuk membantu menyelesaikan permasalahan mahasiswa. Berdasarkan pada penelitian ini diharapkan informasi penting dapat diberikan kepada pemangku kepentingan dan dengan tepat serta cepat mengetahui kondisi mahasiswa untuk mengambil langkah-langkah strategis guna mencegah kegagalan akademis mahasiswa lebih lanjut. Metode pada penelitian ini menggunakan algoritma decision tree dengan menerapakan beberapa nilai K pada K-Fold Crossvalidation. Nilai K terbaik diperoleh pada nilai 8. Proses seleksi fitur diterapkan untuk mendapatkan fitur terbaik, terbukti bahwa seleksi fitur mampu meningkatkan nilai akurasi menjadi 90%.