Prediksi Kelulusan Mahasiswa Menggunakan Random Forest Dan Smote Untuk Mengatasi Imbalanced Data
DOI:
https://doi.org/10.59024/jiti.v4i3.2225Keywords:
Kelulusan Mahasiswa, Ketidakseimbangan Data, Random Forest, SMOTEAbstract
Institusi pendidikan tinggi masih menghadapi tantangan dalam mengidentifikasi risiko keterlambatan kelulusan mahasiswa secara dini, terutama akibat kompleksitas data akademik dan kendala imbalanced data. Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa yang akurat dengan mengombinasikan algoritma Random Forest dan teknik SMOTE guna menangani kesenjangan jumlah sampel antara kelas mayoritas dan minoritas. Metode yang digunakan adalah eksperimen kuantitatif berbasis Data Mining dengan memanfaatkan bahasa pemrograman Python di lingkungan Google Colab. Dataset yang terdiri dari 1.500 catatan akademik diproses melalui tahap pra-pemrosesan, penyeimbangan data menggunakan SMOTE, hingga klasifikasi menggunakan mekanisme ensemble learning pada Random Forest. Hasil eksperimen menunjukkan performa yang sangat memuaskan dengan tingkat akurasi mencapai 98,75% serta nilai precision, recall, dan f1-score yang stabil. Analisis kepentingan atribut mengungkapkan bahwa Nilai Tugas dan Aktivitas E-Learning merupakan indikator prediktor yang paling berpengaruh dalam menentukan status kelulusan. Model ini memiliki potensi besar untuk diimplementasikan sebagai sistem peringatan dini (Early Warning System) guna membantu institusi dalam memitigasi angka keterlambatan kelulusan secara otomatis dan efisien..
References
Alnassar, F. M., Blackwell, T., Homayounvala, E., & Yee-king, M. (2026). Addressing Class Imbalance in Predicting Student Performance Using SMOTE and GAN Techniques. Applied Sciences (Switzerland), 16(7), 1–22. https://doi.org/10.3390/app16073274
Andrianof, H., Gusman, A. P., & Universitas, O. A. P. (2025). Implementasi Algoritma Random Forest untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik: Studi Kasus di Perguruan Tinggi Indonesia. Jurnal Sains Informatika Terapan (JSIT), 4(1), 187–201.
Anggrawan, A., Hairani, H., & Satria, C. (2023). Improving SVM Classification Performance on Unbalanced Student Graduation Time Data Using SMOTE. International Journal of Information and Education Technology, 13(2), 289–295. https://doi.org/10.18178/ijiet.2023.13.2.1806
Anjani, A. F., Anggraeni, D., & Tirta, I. M. (2023). Implementasi Random Forest Menggunakan SMOTE untuk Analisis Sentimen Ulasan Aplikasi Sister for Students UNEJ. Jurnal Nasional Teknologi Dan Sistem Informasi, 9(2), 163–172. https://doi.org/10.25077/teknosi.v9i2.2023.163-172
Anju Fauziah, & Julan Hernadi. (2025). Klasifikasi Data Tak Seimbang Menggunakan Algoritma Random Forest dengan SMOTE dan SMOTE-ENN. Teknomatika: Jurnal Informatika Dan Komputer, 17(2), 38–47. https://doi.org/10.30989/teknomatika.v17i2.1530
Diantika, S., Nalatissifa, H., Maulidah, N., Supriyadi, R., & Fauzi, A. (2024). Penerapan Teknik Random Oversampling Untuk Memprediksi Ketepatan Waktu Lulus Menggunakan Algoritma Random Forest. Computer Science (CO-SCIENCE), 4(1), 11–18. https://doi.org/10.31294/coscience.v4i1.1996
Hairani. (2021). PENINGKATANKINERJAMETODESVM MENGGUNAKANMETODEKNN IMPUTASIDAN K-MEANS-SMOTEUNTUKKLASIFIKASIKELULUSANMAHASISWAUNIVERSITASBUMIGORA. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 8(4), 713–718. https://doi.org/10.25126/jtiik.202183428
Hamdani, Susanti, Anam, M. K., Pradipta, R., & Lathifah. (2025). Optimization of Machine Learning Models in Student Graduation Prediction Systems Using Ensemble Learning with PSO and SMOTE. Sinkron, 9(4), 3149–3158. https://doi.org/10.33395/sinkron.v9i4.15335
Jawad, K., Shah, M. A., & Tahir, M. (2022). Students’ Academic Performance and Engagement Prediction in a Virtual Learning Environment Using Random Forest with Data Balancing. Sustainability (Switzerland), 14(22). https://doi.org/10.3390/su142214795
Kusuma, P. A., & Firmansyah, A. U. (2022). Deteksi Penyebaran Penyakit Tuberkulosis dengan Algoritma K-Means Clustering Menggunakan Rapid Miner Abstrak Penyebaran Penyakit TBC di Riau Menggunakan Rapid Miner ”. Dimana menurutnya mining memakai Metode Algoritma K-Means Clustering terbukti efektif u. Jurnal Teknologi Informatika Dan Komputer MH. Thamrin, 8(2), 41–54.
Mukherjee, M., & Khushi, M. (2021). Smote-enc: A novel smote-based method to generate synthetic data for nominal and continuous features. Applied System Innovation, 4(1), 1–15. https://doi.org/10.3390/asi4010018
Ngaeni, N. S. (2025). Comparative Analysis of Random Forest and Support Vector Classifier for Predicting Students’ on-Time Graduation. Jurnal Pilar Nusa Mandiri, 21(2), 247–255. https://doi.org/10.33480/pilar.v21i2.7048
Nurhalizah, R. S., Ardianto, R., & Purwono, P. (2024). Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review. Jurnal Ilmu Komputer Dan Informatika, 4(1), 61–72. https://doi.org/10.54082/jiki.168
Pratiwi, A. N., & Utami, E. (2025). Prediksi Kinerja Akademik Matematika Siswa berdasarkan Kepribadian Big Five menggunakan Random Forest dengan Teknik Synthetic Minority Over - Sampling Personality Traits using Random Forest with Synthetic Minority Over - Sampling. Sistemasi: Jurnal Sistem Informasi, 14(2), 985–1000. https://sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/5102/920
Rekha, M. S., Kumar, A., & Swamy, K. (2023). A Method of Classification in Student Grade Prediction using SMOTE Oversampling Technique. International Journal of Advanced Research in Science, Communication and Technology (IJARSCT) International Open-Access, Double-Blind, Peer-Reviewed, Refereed, Multidisciplinary Online Journal, 3(2), 130–136. https://doi.org/10.48175/IJARSCT-12719
Rohman, M. G., Abdullah, Z., Kasim, S., & Rasyidah. (2025). Hybrid Logistic Regression Random Forest on Predicting Student Performance. International Journal on Informatics Visualization, 9(2), 859–866. https://doi.org/10.62527/joiv.9.2.3487
Sidik, A. D., & Ansawarman, A. (2022). Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning. Formosa Journal of Multidisciplinary Research, 1(3), 559–568. https://doi.org/10.55927/fjmr.v1i3.745
Siswara, D., M. Soleh, A., & Hamim Wigena, A. (2024). Classification Modeling with RNN-based, Random Forest, and XGBoost for Imbalanced Data: A Case of Early Crash Detection in ASEAN-5 Stock Markets. Scientific Journal of Informatics, 11(3), 569–582. https://doi.org/10.15294/sji.v11i3.4067
Tedut, E. M., Wahyuni, W., & Adytia, P. (2025). Early Warning System Kelulusan of Student Graduation Using the Random Forest Algorithm. 29(1), 1–10. https://doi.org/10.46984/sebatik.v29i1.0000
Wijayaningrum, V. N., Kirana, A. P., & Putri, I. K. (2024). Student Academic Performance Prediction Framework With Feature Selection and Imbalanced Data Handling. Jurnal Ilmiah Kursor, 12(3), 123–134. https://doi.org/10.21107/kursor.v12i3.356
Published
Issue
Section
License
Copyright (c) 2026 JURNAL ILMIAH SAINS TEKNOLOGI DAN INFORMASI
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
