Wirawan Tamrin, Rendy (2025) Prediksi Peminatan Mahasiswa dengan Algoritma Berbasis Machine Learning (Studi Kasus: Sistem Informasi Universitas Multimedia Nusantara). Bachelor Thesis thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (846kB) |
![]() |
PDF
BAB_I.pdf Download (2MB) |
![]() |
PDF
BAB_II.pdf Download (6MB) |
![]() |
PDF
BAB_III.pdf Download (289kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
BAB_V.pdf Download (260kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (643kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (2MB) |
Abstract
Pemilihan mata kuliah peminatan merupakan tahapan penting dalam proses akademik mahasiswa Program Studi Sistem Informasi Universitas Multimedia Nusantara (UMN). Berdasrakan survei terhadap 125 mahasiswa Sistem Informasi UMN angkatan 2024 menunjukkan bahwa sebanyak 90% responden merasa kesulitan dalam menentukan peminatan yang tepat. Kesulitan ini dipicu oleh minimnya informasi dan panduan terkait mata kuliah peminatan yang tersedia, kurangnya pemahaman terhadap hubungan antara mata kuliah dasar dan peminatan, serta ketidakjelasan prospek kerja pasca kelulusan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan model prediksi yang mampu merekomendasikan peminatan mahasiswa berdasarkan performa akademik. Model dikembangkan menggunakan metode CRISP-ML dengan menerapkan algoritma Decision Tree, Random Forest, dan XGBoost. Untuk meningkatkan performa model, digunakan teknik SMOTE untuk mengatasi ketidakseimbangan data, hyperparameter tuning untuk optimasi, dan feature selection untuk menyaring fitur yang paling relevan. Selain itu, dilakukan eksperimen terhadap segmentasi data berdasarkan angkatan guna mengetahui pengaruhnya terhadap performa model. Penelitian ini juga mengidentifikasi variabel akademik yang paling berpengaruh dalam proses prediksi, seperti nilai mata kuliah yang relevan dengan kompetensi tiap peminatan. Hasil eksperimen menunjukkan bahwa algoritma Random Forest menghasilkan performa terbaik dengan akurasi sebesar 78,08% pada data mahasiswa angkatan 2021-2022 setelah penerapan SMOTE dan hyperparameter tuning. Hasil ini membuktikan bahwa segmentasi data berdasarkan angkatan terbukti meningkatkan performa model secara signifikan. Dengan demikian, sistem ini diharapkan dapat menjadi solusi alternatif dalam mendukung proses pengambilan keputusan akademik yang lebih terarah bagi mahasiswa Sistem Informasi Universitas Multimedia Nusantara.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Decision Tree, Prediksi Peminatan, Random Forest, XGBoost |
Subjects: | ?? T70 ?? |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 02 Jul 2025 11:04 |
Last Modified: | 02 Jul 2025 11:04 |
URI: | https://kc.umn.ac.id/id/eprint/37586 |
Actions (login required)
![]() |
View Item |