PREDIKSI KETERCAPAIAN PEMBELAJARAN BERBASIS OBE PADA MATA KULIAH PEMROGRAMAN WEB II MENGGUNAKAN RANDOM FOREST

Abstract

Penerapan Outcome Based Education (OBE) menuntut adanya evaluasi pembelajaran yang mampu mengukur ketercapaian Capaian Pembelajaran Mata Kuliah (CPMK) dan Capaian Pembelajaran Lulusan (CPL) secara objektif. Namun, proses evaluasi pada mata kuliah Pemrograman Web II masih dilakukan secara manual sehingga kurang efektif dalam mendeteksi ketercapaian pembelajaran mahasiswa. Penelitian ini bertujuan membangun model prediksi ketercapaian pembelajaran berbasis OBE menggunakan algoritma random forest. Metodologi yang digunakan adalah CRISP-DM dengan tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset penelitian terdiri atas nilai tugas, kuis, UTS, UAS, absensi, serta data kuesioner berbasis 16 indikator OBE. Hasil pemodelan menunjukkan bahwa algoritma random forest mampu mengklasifikasikan ketercapaian pembelajaran mahasiswa dengan akurasi sebesar 96,15%. Hasil analisis feature importance mengindikasikan bahwa aspek keterampilan umum dan keterampilan khusus merupakan variabel yang paling berpengaruh terhadap prediksi ketercapaian pembelajaran. Model yang dihasilkan diimplementasikan menggunakan Streamlit sehingga dapat dimanfaatkan sebagai alat bantu monitoring dan evaluasi pembelajaran berbasis OBE. Penelitian ini menunjukkan bahwa random forest efektif digunakan untuk memprediksi ketercapaian CPMK dan CPL mahasiswa serta mendukung pengambilan keputusan dalam peningkatan kualitas pembelajaran.