Kohesi: Jurnal Sains dan Teknologi

Articles

Vol. 10 No. 8 (2026): Kohesi: Jurnal Sains dan Teknologi, ISSN 3025-1311

IMPLEMENTASI ALGORITMA DECISION TREE C4.5 UNTUK PREDIKSI KELULUSAN MAHASISWA: STUDI EKSPERIMENTAL

Submitted
January 20, 2026
Published
2026-01-20

Abstract

Timely graduation is an important indicator of higher education management success. This study aims to implement and evaluate the Decision Tree C4.5 algorithm for predicting student graduation based on academic data. The research employs a quantitative approach with an experimental method using a secondary dataset from Kaggle platform consisting of 51 student records. The variables include Grade Point Average (GPA), attendance percentage, final exam scores, academic activities, and organizational involvement. Implementation was conducted using Python with scikit-learn library. Results show that the Decision Tree C4.5 model achieves 96% accuracy with GPA as the most dominant factor. This study demonstrates the feasibility of C4.5 algorithm for graduation prediction and can serve as a baseline for implementation with real institutional data. 

Kelulusan tepat waktu merupakan indikator penting keberhasilan penyelenggaraan pendidikan di perguruan tinggi. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi algoritma Decision Tree C4.5 untuk prediksi kelulusan mahasiswa berbasis data akademik. Metode penelitian menggunakan pendekatan kuantitatif dengan metode eksperimental menggunakan data sekunder dari platform Kaggle yang terdiri dari 51 records mahasiswa. Variabel yang digunakan meliputi Indeks Prestasi Kumulatif (IPK), persentase kehadiran, nilai ujian akhir, aktivitas akademik, dan keterlibatan organisasi. Implementasi dilakukan menggunakan Python dengan library scikit-learn. Hasil penelitian menunjukkan model Decision Tree C4.5 mencapai akurasi 96% dengan IPK sebagai faktor paling dominan. Penelitian ini mendemonstrasikan kelayakan algoritma  C4.5 untuk prediksi kelulusan dan dapat menjadi acuan untuk implementasi pada data institusi nyata.  

References

  1. [1] A. Pola, B. Dan, S. Academic, M. Dalam, M. Skripsi, and T. Waktu, “The Indonesian Journal of Social Studies,” vol. 7, no. 1, pp. 87–100, 2024.
  2. [2] S. D. Anugrawati, I. W. Saputri, K. Nurfadilah, P. S. Matematika, U. Islam, and N. Alauddin, “Analisis
  3. Regresi Logistik Biner dalam Penentuan FaktorFaktor yang Mempengaruhi Ketepatan Waktu Lulus Mahasiswa UIN Alauddin Makassar,” vol. 5, no. 1, pp. 11–16, 2023, doi:
  4. 10.31605/jomta.v5i1.2401.
  5. [3] C. Dan, P. Swarm, and O. Pso, “Journal of Scientech Research and Development,” vol. 7, no. 1, pp. 1016– 1027, 2025.
  6. [4] M. Esposito, L. Palma, A. Belli, and L. Sabbatini, “Recent Advances in Internet of Things Solutions for Early Warning Systems : A Review,” 2022.
  7. [5] M. B. Musthafa et al., “PEMANFAATAN DATA
  8. PDDIKTI SEBAGAI PENDUKUNG
  9. KEPUTUSAN UTILIZATION OF PDDIKTI DATA AS A HIGHER EDUCATION
  10. MANAGEMENT DECISSION SUPPORT,” vol.
  11. 7, no. 3, pp. 555–564, 2020, doi:
  12. 10.25126/jtiik.202072585.
  13. [6] R. M. Sari, V. Tasril, S. Wahyuni, and S. E. Putri, “Desain Aplikasi Naïve Bayes Untuk Memprediksi Kelulusan Siswa Prosiding Seminar Nasional Teknologi Inovasi dan Kolaborasi Disiplin Ilmu,” vol. 1, no. 1, pp. 4–9, 2024.
  14. [7] R. Technology, “Handling Big Data in Education : A Review of Educational Data Mining,” no. April, pp. 1–16, 2023.
  15. [8] S. Rachardian et al., “Prediksi kelulusan tepat waktu mahasiswa untuk pemantauan program studi menggunakan metode data mining,” vol. 21, no. 2, pp. 168–182, 2024.
  16. [9] P. Rim, “Optimizing the C4 . 5 Decision Tree
  17. Algorithm using,” vol. 11, no. 10, pp. 41–47, 2020.
  18. [10] G. Sanjaya et al., “PENERAPAN ALGORITMA KMEANS UNTUK MENGELOMPOKKAN,” vol.
  19. XX, no. X, pp. 1–8, 2025.
  20. [11] J. Teknorama and T. El, “Penerapan data mining dengan algoritma c4.5 dalam prediksi penjualan buku,” vol. 1, no. 1, pp. 1–6, 2023.
  21. [12] P. Chyan, S. Arni, and M. S. S. Thayf, Pengantar Machine Learning PT . MIFANDI MANDIRI
  22. DIGITAL.
  23. [13] L. N. Halimah, S. Riyadi, and A. F. Jurjani, “IMPLEMENTASI PENGGUNAAN MACHINE LEARNING DALAM PEMBELAJARAN : SUATU
  24. TELAAH DESKRIPTIF,” vol. 1, no. 1, pp. 1–10, 2025.
  25. [14] E. Fernanda, D. Suranti, A. Sudarsono, and U. Dehasen, “PERANCANGAN APLIKASI DATA
  26. MINING UNTUK KLASIFIKASI,” vol. 4307, no. 3, pp. 613–619, 2023.
  27. [15] F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4 . 5,” 2020.
  28. [16] E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised dan Unsupervised Learning Menggunakan Python,” vol. 7, no. 2, pp. 156–165, 2020.
  29. [17] M. I. Komputer and F. T. Informasi, “OPTIMIZATION SENTIMENT ANALYSIS USING CRISP-DM AND NAÏVE BAYES METHODS IMPLEMENTED ON SOCIAL
  30. MEDIA,” vol. 6, pp. 74–85, 2022.
  31. [18] B. P. Pratiwi and A. Silvia, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix,” vol. 6, no. 2, pp. 66–75, 2020.
  32. [19] E. H. Hermaliani and M. Ernawati, “Penerapan Metode SMOTE Untuk Mengatasi Imbalanced Data Pada Klasifikasi Ujaran Kebencian,” vol. 4, no. 1, 2024.
  33. [20] O. B. Limet et al., “Pemilihan Fitur Untuk Prediksi
  34. Kematangan Kelapa Sawit Menggunakan
  35. Explainable AI ( XAI ) Feature Selection for Oil Palm Ripeness Prediction Using Explainable AI,” vol. 7, no. 2, pp. 137–150, 2025.

Similar Articles

271-280 of 459

You may also start an advanced similarity search for this article.