ANALISIS PERFORMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM PREDIKSI KINERJA MAHASISWA (Studi Kasus : Universitas Bengkulu)

Penelitian ini bertujuan untuk menganalisis performa algoritma Random Forest dan
Support Vector Machine dalam memprediksi kinerja mahasiswa di Universitas Bengkulu,
khususnya dalam membedakan mahasiswa yang lulus, tidak lulus dan drop out. Data
penelitian diperoleh dari SIAKAD dan PDDIKTI, yang kemudian diproses menggunakan
tahapan CRISP-DM. Model diuji pada dua skenario, yaitu train-test split random dan data
tahun masuk tertentu (2020). Hasil penelitian menunjukkan bahwa algoritma Random
Forest memiliki performa yang lebih konsisten dengan akurasi 94.02% pada skenario 1,
sedangkan Support Vector Machine memperoleh akurasi 72.37%. Pada skenario 2,
Support Vector Machine memperoleh akurasi (51.66%) dibandingkan Random Forest
(74.09%), namun performanya cenderung bias pada kelas mayoritas. Secara keseluruhan,
Random Forest lebih unggul karena memberikan keseimbangan antara akurasi, precision,
recall, dan F1-score. Variabel yang berpengaruh signifikan terhadap hasil prediksi adalah
IPK, lama studi, jumlah SKS yang ditempuh, dan status keaktifan mahasiswa.
Kesimpulannya, Random Forest lebih sesuai digunakan untuk prediksi kinerja
mahasiswa, sementara Support Vector Machine lebih cocok digunakan pada kondisi data
tertentu. Penelitian ini diharapkan dapat membantu universitas dalam mengidentifikasi
potensi kelulusan mahasiswa sejak dini serta merumuskan strategi pencegahan terhadap
risiko putus kuliah.
Kata kunci : Data Mining, Prediksi Kelulusan, Random Forest, Support Vector Machine,
CRISP-DM