Prediksi Kelulusan Mahasiswa Menggunakan Logistic Regression dan Random Forest Berdasarkan Data Akademik

Ketepatan waktu kelulusan mahasiswa merupakan indikator krusial bagi kualitas institusi pendidikan dan akreditasi program studi. Namun, pemantauan manual terhadap risiko keterlambatan lulus seringkali sulit dilakukan secara dini. Penelitian ini bertujuan untuk membandingkan performa algoritma Logistic regression dan Random Forest dalam memprediksi kelulusan mahasiswa berdasarkan data akademik semester awal. Dataset yang digunakan berjumlah 120 data mahasiswa, yang terdiri dari 100 data pelatihan dan 20 data pengujian, dengan parameter input berupa IPK semester 1-4, total SKS, serta nilai mata kuliah fundamental (Algoritma dan Basis Data). Eksperimen dilakukan menggunakan perangkat lunak Orange Data Mining. Hasil penelitian menunjukkan bahwa algoritma Logistic regression memiliki performa yang lebih unggul dengan nilai Classification Accuracy (CA) sebesar 0,750 (75%), dibandingkan algoritma Random Forest yang mencapai nilai CA sebesar 0,683 (68,3%). Temuan ini mengindikasikan bahwa pola kelulusan pada dataset akademik yang digunakan cenderung memiliki hubungan linear yang kuat. Kesimpulan dari penelitian ini adalah Logistic regression lebih efektif diimplementasikan sebagai instrumen sistem peringatan dini (early warning system) untuk mendeteksi mahasiswa yang berisiko lulus terlambat, sehingga pihak manajemen perguruan tinggi dapat memberikan intervensi akademik yang tepat sasaran.