eprintid: 32608
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/26/08
datestamp: 2026-09-08 03:08:16
lastmod: 2026-09-08 03:08:16
status_changed: 2026-09-08 03:08:16
type: thesis
metadata_visibility: show
creators_name: Pradipto, Dimas
creators_nim: 24.55.2702
contributors_name: Agastya, I Made Artha
corp_creators: Universitas AMIKOM Yogyakarta
title: OPTIMASI HYPERPARAMETER GRID SEARCH PADA 
PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR
MACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1
BERBASIS DATASET PRIMER MULTIDIMENSI
ispublished: pub
subjects: 000.000.005
divisions: PJJ
full_text_status: public
keywords: Class Imbalance, Prediksi Dropout, Random Forest, Retensi
Mahasiswa, SMOTE, Support Vector Machine.
abstract: Retensi mahasiswa merupakan salah satu isu strategis yang paling kritis
dalam pengelolaan pendidikan tinggi modern. Data dari National Center for
Education Statistics (NCES) Amerika Serikat mencatat bahwa sekitar 40%
mahasiswa yang mendaftar di perguruan tinggi tidak berhasil menyelesaikan
gelarnya dalam enam tahun pertama, sementara di Indonesia, Kementerian
Pendidikan dan Kebudayaan mencatat 602.208 mahasiswa atau sekitar 7% dari total
8,48 juta mahasiswa terdaftar berhenti kuliah pada tahun 2019, dengan 79,5% di
antaranya berasal dari Perguruan Tinggi Swasta. Kondisi ini mendorong penelitian
berbasis data di Universitas Ibnu Sina (UIS), perguruan tinggi swasta di Kota Batam
dengan 2.389 mahasiswa aktif dari enam program studi pada tiga fakultas, yang
mencatat variasi tingkat retensi signifikan antarprogram studi khususnya Teknik
Informatika dengan persentase mahasiswa berisiko tertinggi sebesar 36,2%.
Penelitian ini bertujuan membangun dataset primer retensi mahasiswa UIS
yang mencakup 18 variabel prediktor dari empat dimensi, yaitu akademik (IPS
Semester 1–4, IPK Sementara, Jumlah SKS Gagal, Jumlah MK Mengulang, Jumlah
Nilai D & E), demografis (Jenis Kelamin, Asal Sekolah, Usia Mendaftar, Asal
Kota), sosial-ekonomi (Pekerjaan Orang Tua, Penghasilan Orang Tua, Jumlah
Cuti), dan administratif (Program Studi, Periode Masuk, Sisa Masa Studi) dari
2.389 mahasiswa angkatan 2021/2022–2023/2024. Ketidakseimbangan kelas yang
ekstrem (Aktif 75,0%, Berisiko 21,9%, Tidak Aktif 3,2%) ditangani menggunakan
Synthetic Minority Over-sampling Technique (SMOTE) yang diterapkan eksklusif
pada data training untuk mencegah data leakage. Kedua algoritma Random Forest
(RF) dan Support Vector Machine (SVM) dengan kernel RBF dioptimalkan melalui
Grid Search 5-Fold Cross Validation dan dievaluasi menggunakan akurasi,
precision, recall, serta F1-Score weighted dan macro average.
Hasil penelitian menunjukkan Random Forest secara konsisten mengungguli
SVM pada seluruh metrik evaluasi, dengan akurasi 92,24% vs. 87,63% dan F1Score

Macro Average 84,06% vs. 75,27%. Perbedaan paling signifikan terdapat
pada deteksi kelas "Tidak Aktif" dengan F1-Score RF (72,73%) lebih tinggi 15,59
poin dibandingkan SVM (57,14%). Analisis feature importance mengungkap
bahwa Jumlah SKS Gagal (0,2847) dan IPK Sementara (0,2134) merupakan
prediktor terkuat, diikuti IPS Semester 1 (0,1023), sementara faktor non-akademik
riwayat cuti (0,0428) dan penghasilan orang tua (0,0312) turut berkontribusi
signifikan. Disimpulkan bahwa Random Forest merupakan algoritma terbaik untuk
prediksi retensi mahasiswa UIS. Peneliti selanjutnya disarankan memperluas fitur
dataset dengan variabel psikologis, membandingkan dengan algoritma boosting
(XGBoost, LightGBM), serta mengeksplorasi teknik penanganan class imbalance
lain seperti ADASYN atau SMOTE-Tomek Links.
date: 2026-06-11
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: PJJ Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Pradipto, Dimas  (2026) OPTIMASI HYPERPARAMETER GRID SEARCH PADA PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1 BERBASIS DATASET PRIMER MULTIDIMENSI.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32608/1/24.55.2702%20-%20Dimas%20Pradipto.pdf