Perbandingan Algoritma Random Forest dan XGBoost untuk Prediksi Performa Akademik Mahasiswa dengan Analisis Feature Importance

Daffa Rayyanda, Muhammad (2026) Perbandingan Algoritma Random Forest dan XGBoost untuk Prediksi Performa Akademik Mahasiswa dengan Analisis Feature Importance. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (329kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (352kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (218kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000082247_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Performa akademik mahasiswa merupakan indikator penting dalam mengevaluasi keberhasilan proses pembelajaran di pendidikan tinggi. Prediksi performa akademik dapat membantu institusi mengidentifikasi mahasiswa berisiko mengalami penurunan prestasi sehingga intervensi dapat dilakukan lebih dini. Penelitian ini membandingkan performa algoritma Random Forest dan XGBoost dalam memprediksi performa akademik mahasiswa serta mengidentifikasi fitur-fitur paling berpengaruh melalui analisis feature importance. Penelitian menggunakan Student Performance Metrics Dataset yang terdiri atas 493 data mahasiswa dengan 16 atribut awal, dan setelah seleksi fitur, 13 atribut prediktor digunakan untuk pengembangan model. Variabel target dibentuk berdasarkan nilai CGPA yang dikelompokkan menjadi tiga kelas, yaitu Low, Medium, dan High. Pengembangan model dilakukan menggunakan GridSearchCV dengan Stratified 5-Fold Cross Validation untuk optimasi parameter. Hasil penelitian menunjukkan bahwa XGBoost memperoleh performa sedikit lebih baik dibandingkan Random Forest, dengan akurasi sebesar 93,94%, macro F1-score sebesar 94,46%, dan Balanced Accuracy sebesar 95,29%, meskipun uji McNemar menunjukkan perbedaan performa kedua model tidak signifikan secara statistik. Analisis feature importance menunjukkan bahwa nilai semester terakhir (Last) dan tingkat kehadiran (Attendance) merupakan fitur paling berpengaruh pada kedua model, dengan Random Forest menempatkan Last sebagai fitur terpenting dan XGBoost menempatkan Attendance sebagai fitur terpenting. Kedua algoritma menunjukkan kemampuan prediksi yang baik, dengan XGBoost sedikit lebih unggul.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Daffa Rayyanda, Muhammad (00000082247)
Contributors:	Wiratama, Yustinus Widya (0305128901)
Keywords:	Educational Data Mining, feature importance, Prediksi performa akademik, Random Forest, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:18
URI:	https://kc.umn.ac.id/id/eprint/48453

Actions (login required)

View Item