Prediksi Peminatan Mahasiswa dengan Algoritma Berbasis Machine Learning (Studi Kasus: Sistem Informasi Universitas Multimedia Nusantara)

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