Analisis Prediksi Kesesuaian Lulusan Dengan Dunia Kerja Menggunakan Model Ensemble Random Forest dan XGBoost Berdasarkan Data Tracer Study Universitas Royal
DOI:
https://doi.org/10.62712/juktisi.v5i2.1398Keywords:
Tracer Study, One-Hot Encoding, Random Forest, XGBoost, Ensemble LearningAbstract
Transformasi digital mendorong institusi pendidikan tinggi untuk mengoptimalkan pengolahan data alumni guna meningkatkan mutu layanan dan efisiensi manajemen pendidikan. Universitas Royal memiliki data tracer study yang melimpah, namun pengelolaannya selama ini masih didominasi oleh pendekatan deskriptif konvensional sehingga potensi prediktifnya belum termanfaatkan secara maksimal. Penelitian ini bertujuan untuk memprediksi tingkat kesesuaian lulusan dengan dunia kerja menggunakan pendekatan ensemble learning yang menggabungkan algoritma Random Forest dan XGBoost melalui mekanisme soft voting classifier. Dataset awal diolah melalui tahap pembersihan data yang meliputi eliminasi label kosong, penghapusan data duplikat (deduplikasi), dan imputasi statistik, sehingga menghasilkan sebaran kelas target yang terdiri atas 759 data "Sesuai" (83,5%) dan 150 data "Tidak Sesuai" (16,5%). Proses prapemrosesan melibatkan imputasi median untuk data numerik, imputasi modus untuk data kategorikal, transformasi fitur dengan one-hot encoding pada variabel jurusan dan instansi, serta normalisasi menggunakan Min-Max Scaler. Dataset dengan total 909 data valid ini dibagi secara proporsional menjadi 727 data latih (80%) dan 182 data uji (20%). Hasil eksperimen menunjukkan bahwa model ensemble voting mencatatkan performa tertinggi dibandingkan model tunggal, dengan nilai akurasi sebesar 80,77%, presisi 85,45%, recall 92,76%, dan F1-score 88,96%. Sebagai pembanding, algoritma Random Forest tunggal memperoleh akurasi 78,57% dan XGBoost memperoleh 79,67%. Melalui analisis feature importance, ditemukan bahwa masa tunggu kerja merupakan faktor paling dominan dengan kontribusi sebesar 33,3%, diikuti oleh kompetensi (26,7%), Indeks Prestasi Kumulatif (24,6%), instansi tempat kerja (12,8%), dan program studi (2,6%). Pendekatan ensemble ini terbukti efektif dalam memberikan stabilitas generalisasi yang superior untuk memproyeksikan linearitas karier alumni serta mendukung pengambilan keputusan strategis institusi.
Downloads
References
[1] R. S. Tanjung, E. S. Tanjung, Khoyan, and A. Nasution, “Transformasi Digital dalam Administrasi dan Manajemen Pendidikan di Perguruan Tinggi,” J. Pembelajaran dan Ilmu Civ., vol. 11, no. 1, pp. 37–41, 2025, doi: 10.36987/civitas.v11i1.7061.
[2] V. Y. D. Wijaya and G. Brotosaputro, “Penerapan Data Mining Dalam Prediksi Kinerja Akademik Mahasiswa Menggunakan Algoritma Machine Learning,” J. Infomedia Tek. Inform. Multimedia, dan Jar., vol. 10, no. 2, pp. 134–142, 2025, doi: 10.30811/jim.v10i2.7643.
[3] M. R. Suryawijaya, S. Praptodiyono, and S. N. A’kaasyah, “Peran Kecerdasan Buatan dalam Mengembangkan Kompetensi dan Meningkatkan Motivasi Belajar Mahasiswa,” Inform. J. Ilmu Komput., vol. 21, no. 2, pp. 155–165, Aug. 2025, doi: 10.52958/iftk.v21i2.11115.
[4] M. Kumar, N. Singh, J. Wadhwa, P. Singh, G. Kumar, and A. Qtaishat, “Utilizing Random Forest and XGBoost Data Mining Algorithms for Anticipating Students’ Academic Performance,” Int. J. Mod. Educ. Comput. Sci., vol. 16, no. 2, pp. 29–44, 2024, doi: 10.5815/ijmecs.2024.02.03.
[5] H. Septiana, S. Chabibah, T. Indarti, U. N. Surabaya, and U. N. Surabaya, “Refleksi Kesesuaian Kompetensi Lulusan Prodi S-1 Pendidikan Bahasa Dan Sastra Indonesia Di Universitas Negeri Surabaya,” J. Pendidik. dan Teknol. Pembelajaran, vol. 07, no. 01, pp. 1–14, 2026, doi: 10.37859/eduteach.v7i1.9177.
[6] G. S. Palupi, A. A. Utami, and I. K. D. Nuryana, “Assessing Graduate Competency Fit for the Workplace: A Tracer Study Investigation in Education,” IJORER Int. J. Recent Educ. Res., vol. 5, no. 2, pp. 292–304, 2024, doi: 10.46245/ijorer.v5i2.438.
[7] S. Lina, M. Sitio, Y. Samudra, T. Informatika, S. Inggris, and U. Pamulang, “Comparative Analysis Of Bagging And Boosting Models In Ensemble Learning For Graduation Prediction,” J. Ilmu Pengetah. Dan Teknol. Komput., vol. 11, no. 3, pp. 979–986, 2026, doi: 10.33480/jitk.v11i3.7579.
[8] P. K. Tee, L. C. Wong, M. Dada, B. L. Song, and C. P. Ng, “Demand for digital skills, skill gaps and graduate employability: Evidence from employers in Malaysia,” F1000Research, vol. 13, pp. 1–19, 2024, doi: 10.12688/f1000research.148514.1.
[9] M. Mashuri and S. Assegaff, “Sistem Informasi Alumni (Tracer Study) Berbasis Web Pada SMA Negeri 2 Bungo,” J. Manaj. Sist. Inf., vol. 8, no. 3, pp. 449–460, 2023, doi: 10.33998/jurnalmsi.2023.8.3.1481.
[10] Z. Sitorus, S. Pranoto, and S. Sutiono, “Comparison of Accuracy between Naïve Bayes and Decision Tree Methods for Property Tax (PBB-P2) Compliance in Tebing Tinggi City,” J. Inf. Technol. Comput. Sci. Electr. Eng., vol. 1, no. 2, pp. 121–128, 2024, doi: 10.61306/jitcse.v1i2.
[11] R. Ratnasari, A. J. Wahidin, and T. H. Andika, “Deteksi Dini Stunting Pada Anak Berdasarkan Indikator Antropometri dengan Menggunakan Algoritma Machine Learning,” J. Algoritm., vol. 21, no. 2, pp. 378–387, 2024, doi: 10.33364/algoritma/v.21-2.2122.
[12] S. Huang, “Processing and Comparison of GBoost, XGBoost, and Random Forest in Titanic Survival Prediction,”
Appl. Comput. Eng., vol. 102, no. 1, pp. 175–182, 2024, doi: 10.54254/2755-2721/102/20241195.
[13] M. Rasyid, Z. Sitorus, R. Farta Wijaya, and M. Iqbal, “Machine Learning Analysis in Improving the Efficiency of the Student Admission Decision Making Process New At Panca Budi Medan Development University,” Bull. Eng. Sci. Technol. Ind., vol. 2, no. 3, pp. 216–225, 2024, doi: 10.59733/besti.v2i3.62.
[14] Rahmanul Hoque, Suman Das, Mahmudul Hoque, and Mahmudul Hoque, “Breast Cancer Classification using XGBoost,” World J. Adv. Res. Rev., vol. 21, no. 2, pp. 1985–1994, 2024, doi: 10.30574/wjarr.2024.21.2.0625.
[15] R. Y. Hayuningtyas, Wina Yusnaeni, and Ida Darwati, “Penerapan Algoritma XGBoost Dalam Menganalisa Keberlanjutan Pelanggan Tour dan Travel,” Evolusi J. Sains dan Manaj., vol. 13, no. 2, pp. 25–32, 2025, doi: 10.31294/evolusi.v13i2.9748.
[16] R. Sari and W. Kurniadi, “Penerapan Metode Machine Learning (Random Forest & XGBoost) untuk Memprediksi Prestasi Akademik Berdasarkan Faktor Internal dan Eksternal Siswa,” Bul. Sist. Inf. dan Teknol. Islam, vol. 6, no. 4, pp. 205–213, 2025, doi: 10.33096/busiti.v6i4.3205.
[17] M. Y. L. Ijlal, A. Setiawan, and D. L. Fithri, “Prediction of Graduate Career Relevance Based on Academic and Non-Academic Aspects using Machine Learning,” SISTEMASI, vol. 14, no. 4, p. 1952, Jul. 2025, doi: 10.32520/stmsi.v14i4.5364.
[18] M. Bayu Setiawan and A. Rahmatulloh, “Analisis Perbandingan Model Random Forest dan XGBoost dalam Memprediksi Turnover Karyawan,” Just IT J. Sist. Informasi, Teknol. Inf. dan Komput., vol. 15, no. 2, pp. 393–400, 2025, doi: 10.24853/justit.15.2.393%20–%20400.
[19] M. K. S. Elvis Sastra Ompusunggu, Aleksander Nainggolan, “Penentuan kelayakan promosi pegawai menggunakan algoritma random forest classifier dan xgboost classifier,” J. TEKINKOM, vol. 6, pp. 773–783, 2023, doi: 10.37600/tekinkom.v6i2.949.
[20] G. M. Momole, “Perbandingan Naïve Bayes dan Random Forest Dalam Klasifikasi Bahasa Daerah,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 855–863, 2022, doi: 10.35957/jatisi.v9i2.1857.
[21] T. Prayitno, N. Nasution, and S. Susandri, “Optimization and Comparative Analysis of C4 . 5 , Random Forest and XGBoost for Mapping SMK Muhammadiyah 2 Pekanbaru Alumni Career Pathways,” JAISEN J. Adv. Inf. Syst. Eng., vol. 1, pp. 42–48, 2026, [Online]. Available: https://journal.unilak.ac.id/index.php/jaisen/article/view/32471.
[22] Muit Sunjaya, Zulham Sitorus, Khairul, Muhammad Iqbal, and A.P.U Siahaan, “Analysis of machine learning approaches to determine online shopping ratings using naïve bayes and svm,” Int. J. Comput. Sci. Math. Eng., vol. 3, no. 1, pp. 7–16, 2024, doi: 10.61306/ijecom.v3i1.60.
[23] A. Saleh, N. Dharshinni, D. Perangin-Angin, F. Azmi, and M. I. Sarif, “Implementation of Recommendation Systems in Determining Learning Strategies Using the Naïve Bayes Classifier Algorithm,” Sinkron, vol. 8, no. 1, pp. 256–267, 2023, doi: 10.33395/sinkron.v8i1.11954.
[24] R. Haque, A. Quek, C. Y. Ting, H. N. Goh, and M. R. Hasan, “Classification Techniques Using Machine Learning for Graduate Student Employability Predictions,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 14, no. 1, pp. 45–56, 2024, doi: 10.18517/ijaseit.14.1.19549.
[25] Umar, I. H. Al Ghozali, and A. R. Handoko, “Analisis Efektifitas Feature Selection dalam Pengkayaan Machine Learning untuk Deteksi Dini Risiko Putus Kuliah Mahasiswa,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 11 No. 1, no. 1, pp. 149–157, 2025, doi: 10.26418/jp.v11i1.90362.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Rudi Hermawan, Muhammad Iqbal, Muhammad Irfan Sarif
This work is licensed under a Creative Commons Attribution 4.0 International License.
