Implementasi Algoritma C4.5 Berbasis Feature Selection untuk Prediksi Kelulusan Mahasiswa Tepat Waktu

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu indikator penting dalam menilai kualitas pendidikan di perguruan tinggi. Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa menggunakan algoritma Decision Tree C4.5 yang dikombinasikan dengan teknik feature selection. Dataset yang digunakan adalah Student Dropout and Academic Success yang terdiri dari atribut akademik, sosial, dan demografis mahasiswa. Tahapan penelitian meliputi preprocessing data, seleksi fitur menggunakan metode statistik, pembangunan model klasifikasi, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan feature selection mampu meningkatkan performa model dibandingkan tanpa seleksi fitur. Model yang dihasilkan mencapai akurasi sekitar 82%, dengan fitur dominan berasal dari performa akademik semester awal. Selain itu, penelitian ini juga menunjukkan pentingnya penggunaan metrik evaluasi yang lebih komprehensif untuk menghindari bias akibat ketidakseimbangan data. Model yang dihasilkan diharapkan dapat digunakan sebagai sistem pendukung keputusan dalam mengidentifikasi mahasiswa yang berisiko tidak lulus tepat waktu