Penerapan Algoritma Random Forest untuk prediksi IPK mahasiswa berdasarkan pola gaya hidup harian

ABSTRAK:

Penelitian ini bertujuan untuk memprediksi Indeks Prestasi Kumulatif (IPK) mahasiswa berdasarkan pola gaya hidup harian menggunakan algoritma Random Forest. Lima variabel utama yang dianalisis adalah durasi belajar, durasi tidur, aktivitas fisik, interaksi sosial, dan kegiatan ekstrakurikuler. Data diperoleh dari dataset Kaggle yang telah dimodifikasi, dan dilakukan praproses berupa pembersihan data, normalisasi Z-score, serta pembagian data latih dan uji dengan rasio 80:20. Evaluasi model dilakukan menggunakan metrik R², MAE, dan RMSE. Hasil penelitian menunjukkan bahwa Random Forest mampu memprediksi IPK secara cukup akurat dengan nilai R² sebesar 0.52, MAE sebesar 0.168, dan RMSE sebesar 0.044. Pengujian feature importance menunjukkan bahwa pola belajar memberikan pengaruh paling besar terhadap prediksi IPK. Hasil ini menunjukkan bahwa gaya hidup mahasiswa sangat berperan dalam pencapaian akademik dan pendekatan machine learning dapat dimanfaatkan untuk memberikan rekomendasi gaya hidup yang lebih baik guna meningkatkan prestasi mahasiswa.

ABSTRACT:

This study aims to predict university students’ Grade Point Average (GPA) based on daily lifestyle patterns using the Random Forest algorithm. The five main variables analyzed include study duration, sleep duration, physical activity, social interaction, and extracurricular activities. The dataset used was sourced and modified from Kaggle, and preprocessing steps included data cleaning, Z-score normalization, and an 80:20 training-testing split. The model evaluation employed R², MAE, and RMSE metrics. The results indicate that Random Forest is able to predict GPA with reasonable accuracy, achieving an R² of 0.52, MAE of 0.168, and RMSE of 0.044. The feature importance analysis revealed that study patterns had the most significant influence on GPA prediction. These findings suggest that students’ lifestyles play an essential role in academic performance, and machine learning approaches such as Random Forest can be utilized to generate lifestyle recommendations to help students enhance their academic achievements.

مستخلص البحث:

يهدف هذا البحث إلى التنبؤ بالمعدل التراكمي (GPA) للطلاب الجامعيين بناءً على أنماط حياتهم اليومية باستخدام خوارزمية الغابة العشوائية (Random Forest). تم تحليل خمسة متغيرات رئيسية تشمل مدة الدراسة، مدة النوم، النشاط البدني، التفاعل الاجتماعي، والأنشطة اللامنهجية. تم الحصول على مجموعة البيانات من منصة Kaggle بعد تعديلها، وتم تنفيذ معالجة أولية شملت تنظيف البيانات، وتطبيع Z-score، وتقسيم البيانات بنسبة 80:20 للتدريب والاختبار. تم تقييم النموذج باستخدام مقاييس R² و MAE و RMSE. أظهرت النتائج أن خوارزمية Random Forest تستطيع التنبؤ بالمعدل التراكمي بدقة جيدة، حيث بلغت قيمة R² نحو 0.52، وMAE مقدار 0.168، وRMSE بمقدار 0.044. أظهرت نتائج أهمية السمات أن نمط الدراسة له التأثير الأكبر على التنبؤ بالمعدل. تشير هذه النتائج إلى أن نمط حياة الطالب له دور كبير في التحصيل الأكاديمي، ويمكن استخدام تقنيات التعلم الآلي لتقديم توصيات تساعد الطلاب على تحسين عاداتهم لتحقيق أداء أكاديمي أفضل.