ANALISIS KOMPARASI ALGORITMA C4.5, RANDOM FOREST, DAN XGBOOST MENGGUNAKAN PENDEKATAN STRATIFIED CROSS VALIDATION DAN SMOTE UNTUK KLASIFIKASI KELULUSAN TEPAT WAKTU PADA IMBALANCED SMALL DATASET

Sidi, Widya Dharma (2026) ANALISIS KOMPARASI ALGORITMA C4.5, RANDOM FOREST, DAN XGBOOST MENGGUNAKAN PENDEKATAN STRATIFIED CROSS VALIDATION DAN SMOTE UNTUK KLASIFIKASI KELULUSAN TEPAT WAKTU PADA IMBALANCED SMALL DATASET. Masters thesis, Universitas Pendidikan Ganesha.

	Text (COVER) 2329101023-COVER.pdf Download (3MB)
	Text (ABSTRAK) 2329101023-ABSTRAK.pdf Download (3MB)
	Text (BAB 1 PENDAHULUAN) 2329101023-BAB 1 PENDAHULUAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text (BAB 2 KAJIAN TEORI) 2329101023-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text (BAB 3 METODELOGI PENELITIAN) 2329101023-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text (BAB 4 HASIL DAN PEMBAHASAN) 2329101023-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (4MB) | Request a copy
	Text (BAB 5 PENUTUP) 2329101023-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text (DAFTAR PUSTAKA) 2329101023-DAFTAR PUSTAKA.pdf Download (3MB)
	Text (LAMPIRAN) 2329101023-LAMPIRAN.pdf Download (4MB)

Abstract

Penerapan Educational Data Mining (EDM) untuk sistem peringatan dini akademik sering kali dihadapkan pada tantangan ketersediaan data yang terbatas (small dataset) dan distribusi kelas yang tidak seimbang (imbalanced class). Di samping itu, mayoritas model prediktif saat ini sangat bergantung pada fitur statis yang kurang merepresentasikan dinamika aktual mahasiswa selama masa studi. Penelitian ini berfokus pada data historis akademik di Universitas PGRI Mahadewa Indonesia (UPMI Bali) angkatan 2020 dan 2021, guna merancang model prediksi kelulusan tepat waktu yang stabil saat dihadapkan dengan bias ketimpangan data. Penelitian ini bertujuan untuk menginvestigasi ketangguhan (robustness) algoritma berbasis pohon, yaitu C4.5 (sebagai baseline), Random Forest (bagging), dan XGBoost (boosting). Untuk meningkatkan sensitivitas sistem, diusulkan ekstraksi fitur dinamis berupa tren Indeks Prestasi Semester (IPS) dan frekuensi tunggakan finansial. Penanganan ketimpangan kelas dilakukan melalui injeksi Synthetic Minority Over-sampling Technique (SMOTE) secara eksklusif pada subset data latih. Evaluasi komprehensif dilakukan menggunakan Stratified 10-Fold CrossValidation dan divalidasi silang menggunakan dua benchmark dataset publik (Haberman dan Breast Cancer) guna menghindari bias lokal institusi. Hasil penelitian membuktikan bahwa meskipun Uji Friedman menunjukkan tidak ada perbedaan kinerja yang signifikan secara statistik antar-algoritma, XGBoost terpilih sebagai model usulan terbaik secara praktis. XGBoost mencapai F1-Score tertinggi (0,8207), tingkat stabilitas terbaik (simpangan baku 0,0387), dan kebal terhadap overfitting (generalization gap 0,0162). Uji Wilcoxon mengonfirmasi bahwa penerapan SMOTE secara signifikan mampu meningkatkan sensitivitas deteksi (Recall) model. Lebih lanjut, ekstraksi Feature Importance mengungkap bahwa capaian IPS Semester 4 dan Frekuensi Tunggakan merupakan determinan utama penentu risiko keterlambatan, sedangkan identitas demografis terbukti tidak relevan. Luaran klasifikasi ini tidak hanya menghasilkan prediksi label, melainkan bertransformasi menjadi instrumen pendukung keputusan strategis yang objektif bagi pemangku kebijakan akademik.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Educational Data Mining, Imbalanced Small Dataset, Klasifikasi Kelulusan, Ensemble Learning, SMOTE, Feature Importance.
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User:	Widya Dharma Sidi
Date Deposited:	28 Jul 2026 03:40
Last Modified:	28 Jul 2026 03:40
URI:	http://repo.undiksha.ac.id/id/eprint/31608

Actions (login required)

View Item