Perbandingan Kinerja Metode Random Forest dan Logistic Regression Dalam Konteks Prediksi Penerima Beasiswa Bagi Mahasiswa Baru

Abstract

Penerimaan beasiswa bagi mahasiswa baru merupakan salah satu upaya perguruan tinggi dalam meningkatkan kualitas sumber daya manusia serta memberikan kesempatan pendidikan yang merata. Namun, proses seleksi penerima beasiswa sering menghadapi kendala dalam hal efektivitas dan akurasi, terutama ketika harus mempertimbangkan berbagai faktor seperti prestasi akademik, kondisi ekonomi, serta aktivitas non-akademik mahasiswa. Oleh karena itu, diperlukan pendekatan berbasis machine learning untuk mendukung pengambilan keputusan yang lebih objektif dan tepat sasaran. Penelitian ini bertujuan untuk membandingkan kinerja dua metode machine learning, yaitu Random Forest dan Logistic Regression, dalam memprediksi calon penerima beasiswa bagi mahasiswa baru. Dataset yang digunakan berasal dari data historis mahasiswa dengan variabel penentu yang meliputi aspek akademik, ekonomi, dan demografis. Proses penelitian mencakup tahap pra-pemrosesan data, pembagian dataset, pembangunan model, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Diharapkan hasil penelitian ini dapat menunjukkan metode mana yang lebih unggul dalam hal kinerja prediksi, sekaligus memberikan kontribusi praktis bagi perguruan tinggi dalam menyusun sistem pendukung keputusan penerimaan beasiswa yang lebih transparan, akurat, dan efisien. Selain itu, penelitian ini juga memberikan nilai tambah dalam pengembangan penerapan machine learning di bidang pendidikan, khususnya pada aspek manajemen beasiswa.

GS Cited Analysis