Optimasi Decision Tree Learning untuk Prediksi Kinerja Mahasiswa pada Sistem E-Learning

Abstract

Penelitian ini dilatarbelakangi oleh meningkatnya penggunaan sistem e-learning yang menghasilkan data akademik dan perilaku belajar mahasiswa dalam jumlah besar, namun belum dioptimalkan untuk prediksi kinerja secara akurat. Permasalahan utama yang diangkat adalah rendahnya efektivitas model Decision Tree standar dalam memprediksi performa mahasiswa tanpa teknik optimasi yang tepat. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi, membandingkan, dan mensintesis metode optimasi Decision Tree yang paling efektif dalam konteks prediksi akademik berbasis e-learning. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan tahapan identifikasi, seleksi, ekstraksi data, dan analisis komparatif terhadap sepuluh artikel yang memenuhi kriteria inklusi. Hasil kajian menunjukkan bahwa integrasi fitur perilaku digital, seperti aktivitas pada Learning Management System, mampu meningkatkan akurasi prediksi dibandingkan hanya menggunakan data akademik. Selain itu, metode ensemble seperti Random Forest dan AdaBoost terbukti menghasilkan performa yang lebih stabil dan akurat dibandingkan model pohon tunggal. Analisis juga menegaskan bahwa kualitas preprocessing dan pemilihan parameter memiliki pengaruh signifikan terhadap hasil prediksi. Kesimpulan penelitian ini adalah bahwa optimasi Decision Tree melalui kombinasi teknik preprocessing, feature engineering, dan metode ensemble dapat meningkatkan efektivitas model prediksi kinerja mahasiswa serta mendukung intervensi akademik dini di lingkungan e-learning.