Komparasi Algoritma Decision Tree dan Random Forest dalam Prediksi Kelayakan Mahasiswa Penerima Beasiswa
Kata Kunci:
Decision tree, random forest, prediksi, beassiwa, akurasiAbstrak
Pemberian beasiswa merupakan salah satu bentuk dukungan institusi pendidikan dalam meningkatkan motivasi belajar dan membantu mahasiswa yang kurang mampu dalam pemnbiayaan selama proses kuliah. Setiap mahasiswa memiliki peluang untuk mendapatkan beasiswa tersebut. Dalam proses seleksi penerima beasiswa sering kali insitusi atau perguruan tinggi menghadapi kendala dalam menentukan kelayakan secara objektif dan efisien. Oleh karena itu, diperlukan sistem pendukung keputusan berbasis data mining untuk membantu proses prediksi kelayakan mahasiswa penerima beasiswa. Penelitian ini dilakukan bertujuan untuk melakukan komparasi antara algoritma Decision Tree dan Random Forest dalam memprediksi kelayakan mahasiswa penerima beasiswa berdasarkan beberapa kriteria seperti program studi, penghasilan orang tua, pekerjaan orang tua, alat transportasi, alamat rumah dan jenis kelamin. Data penelitian ini diperoleh dari Perguruan Tinggi X yang ada di Jawa timur. Evaluasi performa model dilakukan dengan menggunakan nilai akurasi yang diperoleh. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mendapatkan nilai akurasi sebesar 82,67%, sedangkan dengan algoritma Random Forest memiliki nilai akurasi sebesar 86,00%. Dengan demikian algoritma Random Forest memiliki kinerja yang lebih baik dibandingkan dengan algoritma Decision Tree, dengan nilai akurasi yang lebih tinggi. Dengan demikian, dapat disimpulkan bahwa Algoritma Random Forest direkomendasikan sebagai algoritma yang lebih efektif dalam pengembangan sistem prediksi kelayakan mahasiswa penerima beasiswa di masa mendatang.
Referensi
[1] A. Hidayat, S. Fatimah, dan D. N. Rosidin, “Challenges and Prospects of Islamic Education Institutions and Sustainability in The Digital Era,” Nazhruna J. Pendidik. Islam, vol. 5, no. 2, hal. 351–366, 2021.
[2] A. A. Putri and K. Kusumawati, “Sistem Pendukung Keputusan Menentukan Penerima Beasiswa Menggunakan Metode Comparative Performance Indeks Pada SMK Al-Hikmah,” J. Satya Inform., vol. 6, no. 01, pp. 10–21, 2021.
[3] M. Hatta, “Implementasi Metode Simple Additive Weighting Pada Sistem DSS Seleksi Penerimaan Beasiswa Perguruan Tinggi,” J. Ilm. INTECH Inf. Technol. J. UMUS, vol. 2, no. 01, hal. 31–40, 2020.
[4] N. K. Daulay, A. T. Hidayat, and S. Shepty, “Penentuan Program Indonesia Pintar (PIP) Pada Siswa Kurang Mampu dengan Metode Preference Selection Index (PSI) Berbasis Web,” Bull. Comput. Sci. Res., vol. 4, no. 1, pp. 121–128, 2023.
[5] S. Yunita dan V. N. Alaeyda, “Penerapan Algoritma C4. 5 Untuk Prediksi Penerimaan Beasiswa di SD 4 Pelangsian,” ICIT J., vol. 8, no. 2, hal. 181–193, 2022.
[6] L. A. Supriyono et al., Buku Ajar Big Data dan Data Mining: Konsep, Metodologi, dan Aplikasi. PT. Sonpedia Publishing Indonesia, 2025.
[7] D. Kurniadi, F. Nuraeni, and A. F. Hazar, “Aplikasi Sistem Prediksi Mahasiswa Penerima Beasiswa Berbasis Web dengan Menerapkan Model Klasifikasi K-Nearest Neighbors,” J. Algoritm., vol. 21, no. 1, pp. 68–79, 2024.
[8] M. Kristanaya, M. P. Azzahra, and M. Idhom, “Klasifikasi Status Rujukan Pasien Poliklinik Bandara Berbasis Random Forest dan Interpretabilitas Model Menggunakan SHAP,” Data Sci. Indones., vol. 5, no. 1, pp. 60–74, 2025.
[9] A. Rifai, S. E. Permana, and R. Hamonangan, “Optimalisasi Klasifikasi Indeks Desa Membangun Menggunakan Metode Ensemble Dan Algoritma Random Forest,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 8226–8234, 2024.
[10] D. Hartama and N. Amalya, “Perbandingan Algoritma Decision Tree, ID3, dan Random Forest dalam Klasifikasi Faktor-Faktor yang Mempengaruhi Karier Mahasiswa Ilmu Komputer,” J. Indones. Manaj. Inform. dan Komun., vol. 6, no. 1, pp. 72–80, 2025.
