MINI PROJECT MACHINE LEARNING

Sistem Rekomendasi Peminatan Calon Mahasiswa Menggunakan

Algoritma Decision Tree

Dosen Pengampu : Dwiki Jatikusumo, [Link], [Link]

Penyusun:
Dany Muhammad Wibner (41824110020)
Dwi Novianti Wijaya (41824120007)
Feby Anggreyani (41824110005)
Muhammad Al Fauzan (41824120005)
Yayang Putri Rojihan (41824110006)
Zhellomita Putri Tenesia (41824120012)

FAKULTAS ILMU KOMPUTER

UNIVERSITAS MERCU BUANA
2026
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi digital di Indonesia dalam beberapa tahun terakhir mengalami

peningkatan yang cukup pesat, terutama dalam pemanfaatan data untuk mendukung
pengambilan keputusan. Penerapan machine learning mulai banyak digunakan di berbagai
sektor, seperti industri, kesehatan, hingga pendidikan. Berdasarkan laporan dari Badan Pusat
Statistik (2023), pemanfaatan teknologi digital di sektor pendidikan dan bisnis terus
meningkat seiring dengan kebutuhan analisis data yang lebih cepat dan akurat. Hal ini
menunjukkan bahwa pendekatan berbasis data menjadi salah satu solusi penting dalam
menghadapi berbagai permasalahan di era digital.

Di sektor industri, penggunaan machine learning telah terbukti membantu meningkatkan

efisiensi operasional. Salah satu penelitian di Indonesia menunjukkan bahwa algoritma
klasifikasi mampu digunakan untuk memprediksi kondisi operasional secara lebih akurat
sehingga membantu proses pengambilan keputusan berbasis data (Jurnal Informatika, 2023).
Selain itu, menurut publikasi dari Kementerian Pendidikan, Kebudayaan, Riset, dan
Teknologi, transformasi digital dalam dunia pendidikan mendorong pemanfaatan teknologi
untuk meningkatkan kualitas pembelajaran dan layanan akademik. Hal ini menegaskan
bahwa machine learning memiliki peran penting dalam mengolah data menjadi informasi
yang bernilai dan dapat digunakan sebagai dasar pengambilan keputusan yang lebih objektif.

Dalam konteks perguruan tinggi, banyak siswa sering mengalami kesulitan dalam
menentukan peminatan atau bidang studi yang sesuai dengan kemampuan dan minat yang
dimiliki. Tidak sedikit mahasiswa memilih peminatan hanya berdasarkan tren, pengaruh
teman, atau kurangnya pemahaman terhadap potensi diri. Kondisi ini dapat berdampak pada
menurunnya motivasi belajar, hasil akademik yang kurang optimal, hingga ketidaksesuaian
kompetensi dengan kebutuhan dunia kerja. Padahal, setiap mahasiswa memiliki karakteristik
yang berbeda, sehingga diperlukan pendekatan yang lebih sistematis dan berbasis data dalam
menentukan pilihan peminatan.

Pemanfaatan machine learning dalam bidang pendidikan menjadi solusi yang relevan untuk
mengatasi permasalahan tersebut. Dengan mengolah data seperti nilai mata kuliah, minat,
keterampilan, serta hasil kuesioner, sistem dapat membantu mengidentifikasi pola yang
sesuai dengan karakteristik mahasiswa. Penelitian terkait penerapan machine learning di
bidang pendidikan di Indonesia juga menunjukkan hasil yang cukup baik. Salah satunya
adalah penelitian yang dipublikasikan dalam Jurnal RESTI (Rekayasa Sistem dan Teknologi
Informasi) yang menyatakan bahwa algoritma Decision Tree memiliki tingkat akurasi yang
baik dalam proses klasifikasi data serta mudah diinterpretasikan oleh pengguna. Hal ini
menjadikan algoritma tersebut cocok digunakan dalam sistem rekomendasi.

Berdasarkan permasalahan tersebut, diperlukan suatu sistem yang mampu membantu

mahasiswa dalam menentukan peminatan secara lebih tepat dan terarah. Oleh karena itu, pada
mini project ini dikembangkan sebuah aplikasi sistem rekomendasi peminatan mahasiswa
menggunakan algoritma Decision Tree. Aplikasi ini dirancang untuk memberikan
rekomendasi secara objektif berdasarkan data yang dimiliki mahasiswa, sehingga diharapkan
dapat membantu proses pengambilan keputusan yang lebih akurat, mengurangi kesalahan
dalam pemilihan peminatan, serta mendukung pengembangan potensi mahasiswa secara
optimal.

1.2 Tujuan dan Manfaat

1.2.1 Tujuan

1.2.2 Manfaat
 BAB 2
ANALISA DAN PERANCANGAN SISTEM

2.1 Algoritma Machine Learning yang Digunakan

2.1.1 Pengertian Machine Learning

Machine learning merupakan salah satu cabang dari kecerdasan buatan yang berfokus pada
pengembangan sistem agar mampu belajar dari data tanpa perlu instruksi yang dituliskan
secara rinci. Sistem akan memanfaatkan data sebagai dasar pembelajaran untuk mengenali
pola, sehingga dapat digunakan dalam proses prediksi maupun klasifikasi. Pendekatan ini
banyak digunakan dalam berbagai penelitian karena dinilai mampu meningkatkan efektivitas
analisis data, terutama ketika jumlah data yang diolah cukup besar dan kompleks.

Berdasarkan studi literatur dari Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi),
machine learning dijelaskan sebagai metode yang mampu membantu proses pengambilan
keputusan melalui analisis data yang dilakukan secara otomatis dan terstruktur. Penggunaan
machine learning dalam penelitian juga menunjukkan bahwa metode ini dapat mengolah
berbagai variabel menjadi informasi yang lebih sederhana dan mudah dipahami, sehingga
sering dimanfaatkan dalam sistem pendukung keputusan di berbagai bidang, termasuk
pendidikan.

2.1.2 Pengertian Decision Tree

Decision Tree merupakan salah satu algoritma dalam machine learning yang digunakan untuk
melakukan klasifikasi dengan cara membentuk struktur seperti pohon keputusan. Proses kerja
algoritma ini dilakukan dengan membagi data ke dalam beberapa cabang berdasarkan atribut
tertentu hingga menghasilkan keputusan akhir. Setiap bagian dalam struktur tersebut terdiri
dari akar (root), cabang (branch), dan daun (leaf) yang menunjukkan hasil klasifikasi.

Menurut studi literatur dalam Jurnal Teknologi dan Sistem Informasi, Decision Tree
merupakan metode yang cukup banyak digunakan karena memiliki kelebihan dalam hal
interpretasi hasil yang mudah dipahami oleh pengguna. Selain itu, algoritma ini mampu
menangani data dalam bentuk numerik maupun kualitatif dengan baik, sehingga cocok
digunakan dalam berbagai kasus klasifikasi. Dengan karakteristik tersebut, Decision Tree
dinilai efektif untuk digunakan dalam sistem rekomendasi karena mampu menghasilkan
keputusan yang jelas dan mudah dijelaskan.

2.1.3 Cara Kerja Decision Tree

Decision Tree bekerja dengan membentuk struktur pohon keputusan yang digunakan untuk
mengklasifikasikan data berdasarkan atribut tertentu. Proses dimulai dari pemilihan atribut
terbaik yang dijadikan sebagai akar (root), kemudian data akan dibagi ke dalam beberapa
cabang (branch) berdasarkan nilai dari atribut tersebut. Setiap cabang akan terus dipecah
menjadi bagian yang lebih kecil hingga mencapai kondisi tertentu, yaitu ketika data sudah
cukup homogen atau tidak dapat dibagi lagi. Hasil akhir dari proses ini berada pada bagian
daun (leaf node) yang merepresentasikan keputusan atau klasifikasi.

Dalam proses pembentukan pohon, Decision Tree menggunakan konsep seperti entropy dan
information gain untuk menentukan atribut yang paling optimal dalam membagi data. Atribut
dengan nilai information gain tertinggi akan dipilih sebagai pemisah karena mampu
mengurangi tingkat ketidakpastian data secara signifikan. Proses ini dilakukan secara
berulang hingga seluruh data terklasifikasi dengan baik. Dengan cara kerja yang sistematis
dan hasil yang mudah dipahami, Decision Tree menjadi algoritma yang efektif dalam
membantu proses pengambilan keputusan, termasuk dalam sistem rekomendasi peminatan
mahasiswa.
2.1.4 Perhitungan dalam Decision Tree

2.1.5 Kelebihan dan Kekurangan Decision Tree

2.1.6 Alasan Pemilihan Algoritma

2.2. Data yang Digunakan dalam Sistem

Data merupakan komponen utama dalam sistem berbasis machine learning karena berfungsi
sebagai dasar dalam proses pembelajaran dan pengambilan keputusan. Kualitas dan relevansi
data yang digunakan akan sangat mempengaruhi hasil rekomendasi yang dihasilkan oleh
sistem. Oleh karena itu, pemilihan data yang tepat menjadi langkah penting dalam
pengembangan sistem rekomendasi peminatan calon mahasiswa.

Pada aplikasi sistem rekomendasi peminatan mahasiswa ini, data yang digunakan sebagai
input berasal dari informasi akademik dan preferensi calon mahasiswa. Data tersebut dipilih
karena dianggap mampu merepresentasikan kemampuan akademik serta ketertarikan calon
mahasiswa terhadap bidang tertentu. Dengan mengolah data tersebut menggunakan algoritma
Decision Tree, sistem dapat mengidentifikasi pola hubungan antara kemampuan dan minat
calon mahasiswa dengan peminatan yang sesuai.

Adapun data yang digunakan dalam sistem ini terdiri dari beberapa variabel utama, yaitu nilai
calon mahasiswa dan minat calon mahasiswa.

2.2.1 Nilai Calon Mahasiswa

Nilai calon mahasiswa merupakan salah satu indikator penting dalam menilai kemampuan
akademik seseorang sebelum menentukan peminatan atau bidang studi yang sesuai. Data nilai
digunakan untuk menggambarkan tingkat penguasaan calon mahasiswa terhadap mata
pelajaran tertentu yang berkaitan dengan bidang studi yang akan dipilih. Semakin tinggi nilai
yang diperoleh pada mata pelajaran tertentu, maka semakin besar kemungkinan calon
mahasiswa memiliki kemampuan yang sesuai dengan bidang tersebut.

Dalam sistem rekomendasi ini, nilai calon mahasiswa digunakan sebagai variabel numerik
yang akan diolah oleh algoritma Decision Tree untuk menentukan peminatan yang paling
sesuai. Contoh nilai yang dapat digunakan sebagai data input antara lain:
 ● Nilai Matematika
● Nilai Bahasa Indonesia
● Nilai Bahasa Inggris
● Nilai IPA / Sains
● Nilai Ekonomi
● Tambahkan pelajaran sejarah
● Nilai Teknologi Informasi

Nilai calon mahasiswa biasanya dinyatakan dalam bentuk angka, misalnya dalam rentang 0
sampai 100. Data nilai ini kemudian dapat dikategorikan ke dalam beberapa tingkat
kemampuan, seperti:

● Sangat Baik (85 – 100)

● Baik (70 – 84)
● Cukup (60 – 69)
● Kurang (< 60)

Penggunaan data nilai calon mahasiswa dalam sistem rekomendasi sangat penting karena
dapat membantu sistem dalam mengidentifikasi kemampuan akademik secara objektif.
Dengan demikian, rekomendasi peminatan yang dihasilkan akan lebih sesuai dengan
kemampuan yang dimiliki oleh calon mahasiswa.

2.2.2 Minat Calon Mahasiswa

Minat calon mahasiswa merupakan faktor penting yang mencerminkan ketertarikan individu
terhadap suatu bidang studi atau aktivitas tertentu. Selain kemampuan akademik, minat juga
berperan dalam menentukan keberhasilan seseorang dalam menjalani proses pembelajaran
pada bidang yang dipilih. Calon mahasiswa yang memiliki minat tinggi pada suatu bidang
cenderung memiliki motivasi belajar yang lebih baik dan hasil akademik yang lebih optimal.

Dalam sistem rekomendasi ini, data minat diperoleh melalui kuesioner atau formulir yang
diisi oleh calon mahasiswa. Kuesioner tersebut berisi beberapa pertanyaan yang berkaitan
dengan preferensi atau ketertarikan terhadap bidang tertentu. Contoh aspek minat yang dapat
digunakan sebagai data input antara lain:

● Minat pada bidang Sains

 ● Minat pada bidang Teknologi
● Minat pada bidang Sosial
● Minat pada bidang Bisnis dan Ekonomi
● Minat pada bidang Hukum

Data minat biasanya dinyatakan dalam bentuk kategori atau skala penilaian, misalnya:

● Sangat Tinggi
● Tinggi
● Sedang
● Rendah

Dengan menggabungkan data nilai dan minat calon mahasiswa, sistem dapat menghasilkan
rekomendasi peminatan yang lebih akurat dan sesuai dengan karakteristik individu.
Pendekatan ini memungkinkan sistem untuk mempertimbangkan tidak hanya kemampuan
akademik, tetapi juga ketertarikan pribadi dalam menentukan peminatan yang paling tepat.

2.2.3. Skill Calon Mahasiswa

2.2.4 Hasil Kuesioner

2.3 Gambaran Aplikasi (Flowchart Sistem)

2.3.1 Deskripsi Umum Sistem

2.3.2 Alur Sistem (Flowchart)

2.3.3 Penjelasan Flowchart

 DAFTAR PUSTAKA

Badan Pusat Statistik. (2023). Statistik Indonesia 2023. Badan Pusat Statistik.
[Link]

Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi. (2022). Transformasi digital

pendidikan di Indonesia. [Link]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi). (2023). Penerapan algoritma
decision tree dalam klasifikasi data pendidikan. Jurnal RESTI (Rekayasa Sistem dan
Teknologi Informasi), 7(2), 123–130.

Prayoga, A. A., Hasanuddin, M., Khodijah, S., & Rizki, C. A. (2025). Analisis penerapan
machine learning dalam sistem prediksi dan pengambilan keputusan. Journal of
Electrical Engineering Research.