PNCPNC

InfotekmesinInfotekmesin

Kepuasan mahasiswa terhadap dosen merupakan indikator utama dalam menilai kualitas pembelajaran di perguruan tinggi. Pendekatan evaluasi yang umum masih bersifat deskriptif dan subjektif, sehingga kurang efektif untuk mendukung perbaikan berkelanjutan. Penelitian ini mengisi kekosongan tersebut dengan mengembangkan model prediksi kepuasan mahasiswa menggunakan algoritma Random Forest Regression yang dioptimalkan melalui grid search dan seleksi fitur dengan metode Recursive Feature Elimination (RFE) yang dikombinasikan dengan validasi silang 5‑fold. Data diperoleh dari sistem EDOM Politeknik Negeri Cilacap, mencakup 24 indikator berdasarkan standar kompetensi dosen dan dianalisis menggunakan perangkat lunak R. Model terbaik diperoleh dengan parameter mtry = 1 dan ntree = 300, menghasilkan nilai RMSE 0,0222, MAE 0,0118, dan R² 0,9959. Tiga indikator utama yang paling berpengaruh adalah pemberian tugas terstruktur, keragaman metode pembelajaran, dan ketepatan kehadiran. Hasil ini diharapkan menjadi dasar kebijakan peningkatan mutu pendidikan tinggi secara berkelanjutan.

Penelitian berhasil membangun model prediksi kepuasan mahasiswa dengan Random Forest Regression yang menunjukkan akurasi tinggi (RMSE 0,0222, MAE 0,0118, R² 0,9959).Model tersebut dapat menjelaskan hampir seluruh variasi data target, sehingga dapat diandalkan dalam analisis berbasis data.Analisis feature importance mengidentifikasi tiga indikator paling berpengaruh.pemberian tugas terstruktur, keragaman metode pembelajaran, dan ketepatan kehadiran dosen.

Penelitian berikutnya dapat meneliti pengaruh interaksi antara indikator kompetensi dosen—misalnya kombinasi antara pemberian tugas terstruktur dan keragaman metode pembelajaran—dalam memprediksi kepuasan mahasiswa; mengevaluasi efektivitas model prediksi kepuasan mahasiswa secara longitudinal dengan data yang dikumpulkan tiap semester; serta menguji model ini pada institusi pendidikan tinggi lain di Indonesia untuk memvalidasi generalisasi dan menyesuaikan faktor kontekstual lokal yang mungkin mempengaruhi kepuasan mahasiswa.

  1. Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya | Briliant: Jurnal... doi.org/10.28926/briliant.v7i4.1036Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya Briliant Jurnal doi 10 28926 briliant v7i4 1036
  2. Pemanfaatan Algoritma Random Forest Regression dalam Memprediksi Kepuasan Mahasiswa Terhadap Dosen |... doi.org/10.35970/infotekmesin.v16i2.2808Pemanfaatan Algoritma Random Forest Regression dalam Memprediksi Kepuasan Mahasiswa Terhadap Dosen doi 10 35970 infotekmesin v16i2 2808
  3. Student Satisfaction With Teaching Performance, Academic Administration Services, And Learning Facilities... doi.org/10.58330/khidmatuna.v2i1.230Student Satisfaction With Teaching Performance Academic Administration Services And Learning Facilities doi 10 58330 khidmatuna v2i1 230
Read online
File size461.7 KB
Pages9
DMCAReport

Related /

ads-block-test