Prediksi Kelulusan Mahasiswa Menggunakan Metode K-Means dan Random Forest

Keberhasilan dalam menghasilkan lulusan tepat waktu di institusi pendidikan tinggi mencerminkan kualitas akademik yang baik. Prediksi kelulusan mahasiswa tepat waktu menjadi tantangan penting dalam mendukung keputusan strategis bagi mahasiswa dan institusi. Penelitian ini bertujuan untuk mengembangkan model prediksi kelulusan mahasiswa tepat waktu pada program pascasarjana menggunakan algoritma K-Means dan Random Forest. K-Means digunakan untuk mengelompokkan mahasiswa berdasarkan atribut-atribut penting seperti IPK, jumlah kredit, dan lama studi, sedangkan Random Forest diterapkan untuk klasifikasi status kelulusan berdasarkan pola-pola yang dihasilkan dari pengelompokan. Kombinasi metode ini diharapkan dapat memberikan hasil prediksi yang lebih akurat dan dapat diterapkan dalam mendukung pengambilan keputusan terkait kelulusan mahasiswa tepat waktu. Hasil evaluasi menunjukkan bahwa model prediksi yang dibangun memiliki tingkat akurasi tinggi, dengan Random Forest menunjukkan akurasi sebesar 98.41% dalam membedakan antara mahasiswa yang lulus tepat waktu dan yang terlambat, serta model K-Means mampu mengelompokkan data mahasiswa dengan baik berdasarkan pola yang ditemukan dalam dataset.