@prefix void: . @prefix epid: . @prefix xsd: . @prefix rdfs: . @prefix event: . @prefix cc: . @prefix foaf: . @prefix geo: . @prefix skos: . @prefix dct: . @prefix ep: . @prefix eprel: . @prefix bibo: . @prefix dc: . @prefix owl: . @prefix rdf: . <> foaf:primaryTopic ; rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "OPTIMASI HYPERPARAMETER GRID SEARCH PADA \r\nPERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR\r\nMACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1\r\nBERBASIS DATASET PRIMER MULTIDIMENSI (Text)"^^xsd:string . rdf:_1 . <> ; bibo:abstract "Retensi mahasiswa merupakan salah satu isu strategis yang paling kritis\r\ndalam pengelolaan pendidikan tinggi modern. Data dari National Center for\r\nEducation Statistics (NCES) Amerika Serikat mencatat bahwa sekitar 40%\r\nmahasiswa yang mendaftar di perguruan tinggi tidak berhasil menyelesaikan\r\ngelarnya dalam enam tahun pertama, sementara di Indonesia, Kementerian\r\nPendidikan dan Kebudayaan mencatat 602.208 mahasiswa atau sekitar 7% dari total\r\n8,48 juta mahasiswa terdaftar berhenti kuliah pada tahun 2019, dengan 79,5% di\r\nantaranya berasal dari Perguruan Tinggi Swasta. Kondisi ini mendorong penelitian\r\nberbasis data di Universitas Ibnu Sina (UIS), perguruan tinggi swasta di Kota Batam\r\ndengan 2.389 mahasiswa aktif dari enam program studi pada tiga fakultas, yang\r\nmencatat variasi tingkat retensi signifikan antarprogram studi khususnya Teknik\r\nInformatika dengan persentase mahasiswa berisiko tertinggi sebesar 36,2%.\r\nPenelitian ini bertujuan membangun dataset primer retensi mahasiswa UIS\r\nyang mencakup 18 variabel prediktor dari empat dimensi, yaitu akademik (IPS\r\nSemester 1–4, IPK Sementara, Jumlah SKS Gagal, Jumlah MK Mengulang, Jumlah\r\nNilai D & E), demografis (Jenis Kelamin, Asal Sekolah, Usia Mendaftar, Asal\r\nKota), sosial-ekonomi (Pekerjaan Orang Tua, Penghasilan Orang Tua, Jumlah\r\nCuti), dan administratif (Program Studi, Periode Masuk, Sisa Masa Studi) dari\r\n2.389 mahasiswa angkatan 2021/2022–2023/2024. Ketidakseimbangan kelas yang\r\nekstrem (Aktif 75,0%, Berisiko 21,9%, Tidak Aktif 3,2%) ditangani menggunakan\r\nSynthetic Minority Over-sampling Technique (SMOTE) yang diterapkan eksklusif\r\npada data training untuk mencegah data leakage. Kedua algoritma Random Forest\r\n(RF) dan Support Vector Machine (SVM) dengan kernel RBF dioptimalkan melalui\r\nGrid Search 5-Fold Cross Validation dan dievaluasi menggunakan akurasi,\r\nprecision, recall, serta F1-Score weighted dan macro average.\r\nHasil penelitian menunjukkan Random Forest secara konsisten mengungguli\r\nSVM pada seluruh metrik evaluasi, dengan akurasi 92,24% vs. 87,63% dan F1Score\r\n\r\nMacro Average 84,06% vs. 75,27%. Perbedaan paling signifikan terdapat\r\npada deteksi kelas \"Tidak Aktif\" dengan F1-Score RF (72,73%) lebih tinggi 15,59\r\npoin dibandingkan SVM (57,14%). Analisis feature importance mengungkap\r\nbahwa Jumlah SKS Gagal (0,2847) dan IPK Sementara (0,2134) merupakan\r\nprediktor terkuat, diikuti IPS Semester 1 (0,1023), sementara faktor non-akademik\r\nriwayat cuti (0,0428) dan penghasilan orang tua (0,0312) turut berkontribusi\r\nsignifikan. Disimpulkan bahwa Random Forest merupakan algoritma terbaik untuk\r\nprediksi retensi mahasiswa UIS. Peneliti selanjutnya disarankan memperluas fitur\r\ndataset dengan variabel psikologis, membandingkan dengan algoritma boosting\r\n(XGBoost, LightGBM), serta mengeksplorasi teknik penanganan class imbalance\r\nlain seperti ADASYN atau SMOTE-Tomek Links."^^xsd:string; bibo:authorList ; bibo:status ; dc:hasVersion ; dct:creator , ; dct:date "2026-06-11"; dct:isPartOf ; dct:issuer , ; dct:subject ; dct:title "OPTIMASI HYPERPARAMETER GRID SEARCH PADA \r\nPERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR\r\nMACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1\r\nBERBASIS DATASET PRIMER MULTIDIMENSI"^^xsd:string; ep:hasDocument ; ep:hasPublished ; rdf:type bibo:Article, bibo:Thesis, ep:EPrint, ep:ThesisEPrint; rdfs:seeAlso . rdf:type skos:Concept; skos:prefLabel "005 Pemrograman komputer, program dan data"@en . rdfs:label "24.55.2702 - Dimas Pradipto.pdf"^^xsd:string . dc:format "text/html"; dc:title "HTML Summary of #32608 \n\nOPTIMASI HYPERPARAMETER GRID SEARCH PADA \nPERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR \nMACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1 \nBERBASIS DATASET PRIMER MULTIDIMENSI\n\n"; foaf:primaryTopic . dct:hasPart ; foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . dct:isPartOf ; foaf:name "PJJ Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . foaf:familyName "Pradipto"^^xsd:string; foaf:givenName "Dimas"^^xsd:string; foaf:name "Dimas Pradipto"^^xsd:string; rdf:type foaf:Person . foaf:familyName "Agastya"^^xsd:string; foaf:givenName "I Made Artha"^^xsd:string; foaf:name "I Made Artha Agastya"^^xsd:string; rdf:type foaf:Person .