Prediksi Semester Tugas Akhir Mahasiswa Berdasarkan Transkrip Nilai Menggunakan Linear Regression, Kernel Ridge Regression dan Decision Tree Regression

Eki Ahmad Zaki Hamidi; Edi Mulyana; Dilla Restu Agusthiani; Aldi Fahruzi Muharam

doi:10.55893/epsilon.v22i2.123

Eki Ahmad Zaki Hamidi UIN Sunan Gunung Djati Bandung
Edi Mulyana
Dilla Restu Agusthiani
Aldi Fahruzi Muharam

DOI: https://doi.org/10.55893/epsilon.v22i2.123

Kata Kunci: Semester Prediction, Student Thesis, Linear Regression, Kernel Ridge Regression, Decision Tree Regression, Academic Transcripts

Abstrak

Penelitian ini bertujuan untuk memprediksi semester penyelesaian tugas akhir mahasiswa berdasarkan data transkrip nilai dengan menggunakan tiga algoritma regresi: Linear Regression, Kernel Ridge Regression, dan Decision Tree Regression. Kinerja setiap model dievaluasi menggunakan metrik Mean Squared Error (MSE) dan Mean Absolute Error (MAE). Hasil eksperimen menunjukkan bahwa Kernel Ridge Regression memiliki performa terbaik dengan nilai MSE sebesar 2,271 dan MAE sebesar 1,251. Sebagai perbandingan, Linear Regression menghasilkan MSE sebesar 5,137 dan MAE sebesar 1,859, sedangkan Decision Tree Regression menghasilkan MSE sebesar 4,1 dan MAE sebesar 1,2. Temuan ini mengindikasikan bahwa Kernel Ridge Regression merupakan metode yang paling efektif untuk memprediksi semester penyelesaian berdasarkan transkrip nilai, memberikan hasil yang lebih akurat dan andal. Penelitian ini berkontribusi pada bidang akademik dengan menunjukkan potensi model pembelajaran mesin dalam memprediksi perkembangan akademik mahasiswa dan mendukung pengambilan keputusan yang lebih baik dalam pengelolaan akademik.

Referensi

[1] L. Delnoij et al., “Predicting Completion: The Road to Informed Study Decisions in Higher Online Education,” Front. Educ., vol. 6, no. July, pp. 1–17, 2021, doi: 10.3389/feduc.2021.668922.
[2] R. Bakri, N. P. Astuti, and A. S. Ahmar, “Machine Learning Algorithms with Parameter Tuning to Predict Students’ Graduation-on-time: A Case Study in Higher Education,” J. Appl. Sci. Eng. Technol. Educ., vol. 4, no. 2, pp. 259–265, 2022, doi: 10.35877/454ri.asci1581.
[3] A. B. Hassanat et al., “A Novel Outlier-Robust Accuracy Measure for Machine Learning Regression Using a Non-Convex Distance Metric,” Mathematics, vol. 12, no. 22, pp. 1–20, 2024, doi: 10.3390/math12223623.
[4] S. M. Robeson and C. J. Willmott, “Decomposition of the mean absolute error (MAE) into systematic and unsystematic components,” PLoS One, vol. 18, no. 2 February, pp. 1–8, 2023, doi: 10.1371/journal.pone.0279774.
[5] M. N. Faruqhy, D. Andreswari, and J. P. Sari, “Prediksi Prestasi Nilai Akademik Mahasiswa Berdasarkan Jalur Masuk Perguruan Tinggi Menggunakan Metode Multiple Linear Regression (Studi Kasus: Fakultas Teknik Universitas Bengkulu),” Rekursif J. Inform., vol. 9, no. 2, pp. 172–183, 2021, doi: 10.33369/rekursif.v9i2.17108.
[6] A. Qoiriah and Y. Yamasari, “Prediksi Nilai Akhir Mahasiswa Dengan Metode Regresi (Studi Kasus Mata Kuliah Pemrograman Dasar),” J. Inf. Eng. Educ. Technol., vol. 5, no. 1, pp. 40–43, 2021, doi: 10.26740/jieet.v5n1.p40-43.
[7] A. Thabibi and R. Supriyanto, “Perbandingan Model Multiple Linear Regression Dan Decision Tree Regression (Studi Kasus: Prediksi Harga Saham Telkom, Indosat, Dan Xl),” J. Ilm. Teknol. dan Rekayasa, vol. 28, no. 1, pp. 78–92, 2023, doi: 10.35760/tr.2023.v28i1.6081.
[8] W. J. M. Putra, “Analisa Algoritma Regresi Linear dan Decision Tree Dalam Prediksi Penjualan Produk ( Studi Kasus : Lookma Boutique ),” Skripsi, p. 31, 2022, [Online]. Available: https://lib.mercubuana.ac.id/
[9] N. Roustaei, “Application and interpretation of linear-regression analysis,” Med. Hypothesis, Discov. Innov. Ophthalmol., vol. 13, no. 3, pp. 151–159, 2024, doi: 10.51329/mehdiophthal1506.
[10] D. Mustofani, H. Hariyani, A. Afif, D. I. Oktaviasari, and B. Y. Ariadhita, “Analisis Data Hubungan Antar Variabel Pada Pengetahuan Swamedikasi,” Unisda J. Math. Comput. Sci., vol. 10, no. 1, pp. 12–17, 2024, doi: 10.52166/ujmc.v10i1.6701.
[11] A. A. Masrur Ahmed, E. Sharma, S. Janifer Jabin Jui, R. C. Deo, T. Nguyen-Huy, and M. Ali, “Kernel Ridge Regression Hybrid Method for Wheat Yield Prediction with Satellite-Derived Predictors,” Remote Sens., vol. 14, no. 5, 2022, doi: 10.3390/rs14051136.
[12] Putri R.A, Winahju W.S, and Mashuri Muhammad, “Penerapan Metode Ridge Regression danSupport Vector Regression (SVR) untukPrediksi Indeks Batubara di PT XYZ,” J. Sains Dan Seni Its, vol. 9, no. 1, pp. 64–71, 2020.
[13] B. B. Acharya and G. D. Shaileshbhai, “Comparative Analysis of Machine Learning Algorithms : KNN , SVM , Decision Tree and Logistic,” no. November, 2024.
[14] I. Septian et al., “Decision Tree Regression untuk Prediksi Prevalensi Stunting di Provinsi Nusa Tenggara Timur,” vol. 10, no. 2, pp. 413–427, 2024.
[15] I. Azure, “Predictive modeling for industrial productivity: Evaluating linear regression and decision tree regressor approaches,” J. AppliedMath, vol. 2, no. 4, p. 1435, 2024, doi: 10.59400/jam.v2i4.1435.