Tugas 7: Studi Kasus Pohon Keputusan untuk Prediksi Keberhasilan Akademik Mahasiswa - Academics

Tugas 7: Studi Kasus Prediksi Capaian Prestasi Akademik Mahasiswa

Penerapan komparatif berbagai algoritma klasifikasi machine learning dalam memecahkan masalah riil sektor pendidikan (Educational Data Mining), yakni memprediksi status kelulusan dan capaian Indeks Prestasi Kumulatif (IPK) mahasiswa.

1. Karakteristik Fitur dan Rekayasa Atribut (Feature Engineering)

Dataset mencakup atribut demografis, latar belakang pendidikan sekolah menengah, nilai mata kuliah semester awal, tingkat kehadiran kuliah, dan partisipasi aktivitas kemahasiswaan:

Pengkodean variabel kategorikal menggunakan One-Hot Encoding dan Target Encoding.
Standardisasi skala fitur kontinu menggunakan RobustScaler untuk mengatasi keberadaan nilai pencilan (outliers).
Penanganan ketidakseimbangan kelas (class imbalance) menggunakan teknik oversampling sintetis SMOTE (Synthetic Minority Over-sampling Technique).

2. Komparasi Algoritma dan Validasi Silang

Model dievaluasi menggunakan $K$ -Fold Stratified Cross-Validation ( $K=5$ ) untuk membandingkan performa antara Logistic Regression, K-Nearest Neighbors, Decision Tree, Random Forest, dan Support Vector Machines (SVM). Hasil menunjukkan Random Forest memberikan stabilitas metrik F1-Score tertinggi.

3. Berkas Tugas Terlampir

Jupyter Notebook eksperimen terpadu: student-performance-prediction.ipynb yang mendokumentasikan eksplorasi data analisis (EDA), matriks korelasi, rekayasa fitur, dan perbandingan kurva ROC-AUC antar algoritma.