Penerapan Kerangka CRISP-DM dalam Evaluasi Performa Logistic Regression dan Decision Tree untuk Prediksi Kelulusan Mahasiswa

Abstract

Ketepatan waktu kelulusan mahasiswa sering digunakan sebagai salah satu indikator dalam menilai efektivitas penyelenggaraan pendidikan di perguruan tinggi. Pemanfaatan data akademik melalui pendekatan machine learning dapat membantu mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan kelulusan secara lebih terukur. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Logistic Regression dan Decision Tree dalam memprediksi kelulusan mahasiswa berdasarkan faktor akademik. Dataset yang digunakan terdiri dari 351 mahasiswa Program Studi Teknik Informatika di STT Terpadu Nurul Fikri, angkatan 2021, dengan variabel input Indeks Prestasi Kumulatif (IPK) serta Indeks Prestasi Semester (IPS) untuk setiap semester. Penelitian ini menggunakan metodologi CRISP-DM dengan pembagian data pelatihan serta pengujian 80:20. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, serta F1-score. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh accuracy 92,96%, precision 90,91%, recall 97,56%, dan F1-score 94,12%, sedangkan Decision Tree memperoleh accuracy 88,73%, precision 88,37%, recall 92,68%, serta F1-score 90,48%. Hasil tersebut menunjukkan bahwa Logistic Regression menunjukkan performa yang lebih optimal dan lebih sesuai dalam memodelkan hubungan antara variabel akademik dan ketepatan kelulusan mahasiswa. Sebagai kontribusi utama, penelitian ini mengintegrasikan model Logistic Regression terbaik ke dalam purwarupa sistem deteksi dini (early warning system) berbasis web menggunakan Streamlit. Pendekatan ini memberikan keunggulan praktis bagi pemangku kepentingan program studi untuk memitigasi risiko keterlambatan kelulusan secara real-time dan mendukung pengambilan keputusan intervensi akademik yang sepenuhnya digerakkan oleh data (data-drive decision making).