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

Authors

  • Saiba Al Husna Universitas Negeri Medan
  • Nadia Costarika Simanjuntak Universitas Negeri Medan
  • Mazaya Amalia Universitas Negeri Medan
  • Azura Sakhi Salsabila Universitas Negeri Medan
  • Fahmy Syahputra Universitas Negeri Medan
  • Elsa Sabrina Universitas Negeri Medan

Keywords:

Decision Tree, prediksi kinerja mahasiswa, elearning, optimasi, SLR

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.

References

I. Simbolon, P. Aditya, and E. B. Purba, “Department of Digital Business Journal of Artificial Intelligence and Digital Business ( RIGGS ) Homepage : https://journal.ilmudata.co.id/index.php/RIGGS Prediksi Performa Akademik Siswa Berdasarkan Kehadiran dan Aktivitas E-Learning Menggunakan Algoritma Decision Tree,” vol. 4, no. 2, pp. 4899–4910, 2025.

K. A. Putri, D. Febriawan, and F. N. Hasan, “Implementation of Data Mining to Predict Student Study Period with Decision Tree Algorithm ( C4 . 5 ),” vol. 13, pp. 39–47, 2024.

P. A. Prayesy and I. Ruswita, “G-Tech : Jurnal Teknologi Terapan,” vol. 7, no. 1, pp. 21–

, 2023.

R. Rismaya, D. Yuniarto, and D. Setiadi, “Penerapan Algoritma Machine Learning dalam Prediksi Prestasi Akademik Mahasiswa,” 2025.

B. Kitchenham et al., “Systematic literature reviews in software engineering – A

tertiary study,” vol. 52, pp. 792–805, 2010, doi: 10.1016/j.infsof.2010.03.006.

Cochrane Handbook for Systematic Reviews of Interventions.

M. Ouzzani, “Rayyan — a web and mobile app for systematic reviews,” Syst. Rev., no. 2016, pp. 1–10, 2017, doi: 10.1186/s13643-016-0384-4.

J. P. T. Higgins, D. M. Caldwell, P. Whiting, and J. Savovi, “ROBIS : A new tool to assess risk of bias in systematic reviews was developed,” vol. 69, pp. 225–234, 2016, doi: 10.1016/j.jclinepi.2015.06.005.

R. Puspita, S. Putri, I. Waspada, D. Ilmu, K. Informatika, and F. Sains, “khazanah informatika Penerapan Algoritma C4 . 5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika,” pp. 1–7.

A. Rohman and S. Mujiyono, “Permodelan Prediksi Predikat Kelulusan Mahasiswa Menggunakan Decision Tree C4 . 5,” vol. II, no. 2, pp. 1–5, 2021.

U. Indahyanti, N. L. Azizah, H. Setiawan, P. S. Informatika, F. Sains, and U. Muhammadiyah, “Pendekatan Ensemble Learning Untuk Meningkatkan Akurasi Prediksi Kinerja Akademik Mahasiswa,” vol. 8, no. November, pp. 160–169, 2022, doi: 10.34128/jsi.v8i2.459.

H. Putra, K. Nasution, E. Rilvani, U. P. Bangsa, and K. Bekasi, “PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN DECISION TREE : STUDI PERBANDINGAN PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN DECISION TREE : STUDI PERBANDINGAN,” vol. 3, no. 7, 2025.

D. Irfan, P. Ramadani, A. S. Nasution, and J. B. Ramadan, “Prediksi hasil belajar mahasiswa pada PBL menggunakan algoritma Decision Tree untuk evaluasi pembelajaran JURNAL MEDIA INFORMATIKA [ JUMIN ],” vol. 6, no. 1, pp. 783–790, 2024.

E. P. Sihombing and Y. Ndona, “Pengaruh Media Sosial Terhadap Moral dan Etika dalam Perspektif : Sila Kedua,” vol. 2, no. 3, 2024.

P. Kelulusan, M. Menggunakan, C. Algoritma, S. Kasus, and D. I. Universitas, “Prediksi kelulusan mahasiswa menggunakan algoritma c4.5 (studi kasus di universitas peradaban),” vol. 1, no. 2, pp. 70–77, 2020.

J. Riset and S. Informasi, “ANALISIS POLA KEHADIRAN MAHASISWA MENGGUNAKAN,” vol. 2, no. 1, pp. 60–66, 2025.

Z. Fatah et al., “KLASIFIKASI KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE,” vol. 1, no. 4, pp. 58–64, 2024.

K. Kesgin, S. Kiraz, S. Kosunalp, and B. Stoycheva, “Beyond Performance : Explaining and Ensuring Fairness in Student Academic Performance Prediction with Machine Learning,” no. Ml, pp. 1–25, 2025.

P. Kelulusan, M. Menggunakan, C. Algoritma, S. Kasus, dan D. I. Universitas, “Prediksi kelulusan mahasiswa menggunakan algoritma c4.5 (studi kasus di universitas peradaban),” vol. 1, no. 2, hal. 70–77, 2020.

A. Rohman dan S. Mujiyono, “Permodelan Prediksi Predikat Kelulusan Mahasiswa Menggunakan Decision Tree C4 . 5,” vol. II, no. 2, hal. 1–5, 2021.

I. Simbolon, P. Aditya, dan E. B. Purba, “Department of Digital Business Journal of Artificial Intelligence and Digital Business ( RIGGS ) Homepage : https://journal.ilmudata.co.id/index.php/RIGGS Prediksi Performa Akademik Siswa Berdasarkan Kehadiran dan Aktivitas E-Learning Menggunakan Algoritma Decision Tree,” vol. 4, no. 2, hal. 4899–4910, 2025.

U. Indahyanti, N. L. Azizah, H. Setiawan, P. S. Informatika, F. Sains, dan U. Muhammadiyah, “Pendekatan Ensemble Learning Untuk Meningkatkan Akurasi Prediksi Kinerja Akademik Mahasiswa,” vol. 8, no. November, hal. 160–169, 2022, doi: 10.34128/jsi.v8i2.459.

D. Irfan, P. Ramadani, A. S. Nasution, dan J. B. Ramadan, “Prediksi hasil belajar mahasiswa pada PBL menggunakan algoritma Decision Tree untuk evaluasi pembelajaran JURNAL MEDIA INFORMATIKA [ JUMIN ],” vol. 6, no. 1, hal. 783–790, 2024.

C. N. Dengen dan E. T. Luthfi, “Implementasi Decision Tree Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu Implementation of Decision Tree for Prediction of Student Graduation On Time,” vol. 10, no. 1, hal. 1–11, 2020.

P. A. Prayesy dan I. Ruswita, “G-Tech : Jurnal Teknologi Terapan,” vol. 7, no. 1, hal.

–28, 2023.

H. Putra, K. Nasution, E. Rilvani, U. P. Bangsa, dan K. Bekasi, “PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN DECISION TREE : STUDI PERBANDINGAN PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN DECISION TREE : STUDI PERBANDINGAN,” vol. 3, no. 7, 2025.

A. Rahman, “Klasifikasi Performa Akademik Siswa Menggunakan Metode Decision Tree dan Naive Bayes,” vol. 9, hal. 22–31, 2023.

J. Riset dan S. Informasi, “ANALISIS POLA KEHADIRAN MAHASISWA MENGGUNAKAN,” vol. 2, no. 1, hal. 60–66, 2025.

Downloads

Published

2025-12-20

Issue

Vol. 2 No. 2 (2025): Desember 2025

Section

Articles

License

  1. Authors certify that the work reported here has not been published before and contains no materials the publication of which would violate any copyright or other personal or proprietary right of any person or entity.
  2. Authors dont transfer or license the copyright of publishing to JETBUS Journal of Education Transportation and Business Research to publish the article in any media format, to share, to disseminate, to index, and to maximize the impact of the article in any databases.
  3. Authors hereby dont agree to transfer a copyright for publishing to JETBUS Journal of Education Transportation and Business a Publisher of the manuscript. 
  4. Authors reserve the following: 
    1. all proprietary rights other than copyright such as patent rights; 
    2. the right to use all or part of this article in future works of our own such as in books and lectures;
    3. use for presentation in a meeting or conference and distributing copies to attendees; 
    4. use for internal training by author's company;
    5. distribution to colleagues for their research use;
    6. use in a subsequent compilation of the author's works;
    7. inclusion in a thesis or dissertation;
    8. reuse of portions or extracts from the article in other works (with full acknowledgement of final article);
    9. preparation of derivative works (other than commercial purposes) (with full acknowledgement of final article); and
    10. voluntary posting on open web sites operated by author or author’s institution for scholarly purposes, but it should follow the open access license of Creative Common CC BY-NC License.