Komparasi Metode Decision Tree dan Deep Learning dalam Meramalkan Jumlah Mahasiswa Drop Out Berdasarkan Nilai Akademik

Abstract

Akreditasi memiliki peran penting dalam proses pertimbangan setiap calon mahasiswa untuk melanjutkan pendidikan ke jenjang yang lebih tinggi. Perguruan tinggi dan program studi tentu diharapkan dapat memiliki akreditasi yang baik, guna menjamin mutu dan kualitasnya. Drop out menjadi salah satu permasalahan dalam menjaga dan meningkatkan mutu suatu perguruan tinggi khususnya pada program studi. Angka kasus drop out yang tinggi akan memicu turunnya kualitas Pendidikan di Indonesia dan berdampak pada akreditasi suatu program studi di perguruan tinggi. Upaya yang dapat dilakukan untuk mengatasi hal tersebut yaitu, dengan melakukan prediksi terkait mahasiswa yang terancam drop out secara dini. Penelitian ini menggunakan dua jenis metode yang berbeda yang dikomparasikan untuk menemukan hasil pemodelan terbaik. Metode yang digunakan yakni decision tree dengan algoritma C5.0 serta deep learning dengan algoritma GRU. Data peramalan yang digunakan yaitu Data Mahasiswa Program Studi Teknologi Informasi angkatan tahun 2010-2016. Metode dengan performa terbaik pada penelitian ini yaitu metode decision tree C5.0 yang menghasilkan nilai akurasi sebesar 95% dengan persentase kesalahan RMSE 0.13001950438859716 dan MAPE 2.26% Metode deep learning menunjukkan hasil yang cenderung lebih rendah dibanding decision tree C5.0 dengan nilai akurasi sebesar 92% dan persentase kesalahan RMSE 0.1873780487675864 MAPE 4.69%.