Optimasi Hyperparameter Random Forest dalam Memprediksi Kelayakan Mahasiswa Penerima Beasiswa
DOI:
https://doi.org/10.32682/efsm9w81Keywords:
Hyperparameter, Random Forest, Prediksi, Beasiswa, AkurasiAbstract
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 optimasi Hyperparameter 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 random forest awal tanpa menggunakan hyperparameter mendapatkan nilai akurasi sebesar 86,0%, sedangkan dengan hyperparameter algoritma Random Forest memiliki nilai akurasi sebesar 87,34%. Dengan demikian hyperparameter algoritma Random Forest memiliki kinerja yang sedikit lebih baik dibandingkan dengan algoritma random forest tanpa hyperparameter , dengan nilai akurasi yang lebih tinggi. Dengan demikian, dapat disimpulkan bahwa hyperparameter Algoritma Random Forest dapat meningkatkan akurasi meskipun tidak terlalu signifikan.
References
[1]M. D. M. Manessa, K. T. Setiawan, M. Haidar, S. Supriatna, A. Pataropura, dan A. H. Supardjo, “Optimization of the Random Forest Algorithm for Multispectral Derived Bathymetry,” International Journal of Geoinformatics, vol. 16, no. 3, pp. 1–6, 2020.
[2] R. Turner, D. Eriksson, M. McCourt, J. Kiili, E. Laaksonen, Z. Xu, dan I. Guyon, “Bayesian Optimization is Superior to Random Search for Machine Learning Hyperparameter Tuning: Analysis of the Black-Box Optimization Challenge 2020,” arXiv preprint arXiv:2104.10201, 2021.
[3] A.-C. Florea dan R. Andonie, “Weighted Random Search for Hyperparameter Optimization,” arXiv preprint arXiv:2004.01628, 2020.
[4] I. M. M. Matin, “A Hyperparameter Tuning Using GridSearchCV on Random Forest for Malware Detection,” MULTINETICS, vol. 9, no. 1, pp. 43–50, 2023.
[5 N. P. N. Fauzi, S. Khomsah, dan A. D. P. Wicaksono, “Penerapan Feature Engineering dan Hyperparameter Tuning untuk Meningkatkan Akurasi Model Random Forest pada Klasifikasi Risiko Kredit,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 5, 2025.
[6] R. B. Hidayah, K. Latifah, dan B. A. Herlambang, “Prediksi Gaya Belajar Menggunakan Algoritma Random Forest dengan Optimasi Hyperparameter Tuning Berbasis Web,” Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 10, no. 2, 2025.
[7] M. Fadzryan dan E. A. Laksana, “Penerapan Kombinasi Random Forest dan Optuna Hyperparameter Tuning Untuk Meningkatkan Akurasi Prediksi Harga Rumah,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 4, no. 2, 2025.
[8] N. Aqmar, H. Wijayanto, dan F. M. Afendi, “Performance Analysis of Machine Learning Models using RFE Feature Selection and Bayesian Optimization in Imbalanced Data Classification with SHAP-Based Explanations,” Scientific Journal of Informatics, vol. 12, no. 3, 2025.
[9] S. L. Setyowati, A. Qalbi, R. Aristawidya, B. Sartono, dan A. R. Firdawanti, “Optimizing Random Forest Parameters with Hyperparameter Tuning for Classifying School-Age KIP Eligibility in West Java,” Jambura Journal of Mathematics, vol. 7, no. 1, 2025.
[10] M. R. Lazuardi, M. Z. S. Hadi, dan P. Kristalina, “Comparative Performance Analysis of IoT-Based Crop Recommendation Systems Using Random Forest and GridSearchCV Hyperparameter Tuning,” International Journal on Advanced Science, Engineering and Information Technology, vol. 15, no. 6, pp. 1706–1713, 2025.
