Salah satu faktor penentu kualitas sebuah perguruan tinggi adalah tingkat keberhasilan mahasiswa dalam menyelesaikan studi tepat waktu. Dalam konteks ini, data akademik dari UIN Syarif Hidayatullah Jakarta mengungkapkan bahwa terdapat peningkatan signifikan sebesar 7,95% dalam persentase mahasiswa Program Studi Sistem Informasi, Fakultas Sains dan Teknologi yang mengalami drop out dari perguruan tinggi sejak tahun 2012 hingga 2015. Penelitian ini bertujuan untuk mengidentifikasi kriteria kegagalan mahasiswa dalam menyelesaikan masa studi mereka. Selain itu, penelitian ini berupaya untuk mengimplementasikan algoritma C4.5 dan Naïve Bayes Classification, serta menganalisis hasil kinerjanya. Algoritma C4.5 memiliki keunggulan dalam menangani data tidak terstruktur, menghasilkan pohon keputusan yang mudah diinterpretasikan, serta efisien dalam penggunaan memori dan komputasi. Naive Bayes Classification mudah diimplementasikan, efisien dalam komputasi, tahan terhadap overfitting, dan memberikan probabilitas kelas yang jelas untuk setiap instance. Dengan demikian, penelitian ini dapat memberikan hasil prediksi terhadap mahasiswa yang memiliki potensi untuk drop out. Oleh karena itu, penting bagi perguruan tinggi untuk memahami karakteristik mahasiswa yang mengalami drop out agar faktor-faktor penyebab kegagalan mereka dapat diidentifikasi. Dalam rangka melakukan penelitian ini, metode SEMMA (Sample, Explore, Modify, Model, dan Assess) digunakan sebagai alur penelitian yang komprehensif. Peneliti menggunakan Google Colab dan bahasa pemrograman Python untuk melakukan pengklasifikasian dan prediksi data. Dua algoritma yang digunakan adalah Decision Tree C4.5 dan Naïve Bayes Classification. Hasil dari penggunaan algoritma Decision Tree C4.5 menunjukkan tingkat akurasi sebesar 94,44%, sedangkan Naïve Bayes Classification mencapai akurasi sebesar 93%. Dari kedua algoritma tersebut, algoritma C4.5 menunjukkan performa terbaik, sehingga dapat diterapkan untuk mengklasifikasikan mahasiswa yang berpotensi mengalami drop out. Dengan demikian, penelitian ini memberikan kontribusi yang penting dalam mengidentifikasi faktor-faktor yang berperan dalam kegagalan mahasiswa dalam menyelesaikan studi mereka. Dengan menggunakan algoritma C4.5, perguruan tinggi dapat melakukan klasifikasi dan prediksi yang lebih efektif terhadap mahasiswa yang memiliki potensi untuk mengalami drop out. Terdapat tiga faktor utama dalam mengklasifikasi mahasiswa berpotensi drop out, yaitu kelulusan dalam semua matakuliah, penyelesaian laporan Praktik Kerja Lapangan (PKL), serta sedang dalam proses melakukan atau mengerjakan laporan skripsi. Penelitian ini memberikan landasan untuk penelitian selanjutnya yang melibatkan pengembangan aplikasi atau dashboard khusus untuk mengidentifikasi faktor-faktor yang memengaruhi mahasiswa berpotensi drop out, termasuk variabel vi eksternal seperti keluarga, keuangan, pertemanan, dan pekerjaan. Selain itu, perlu dilakukan penelitian lebih lanjut untuk membandingkan efektivitas algoritma yang digunakan dalam penelitian ini dengan algoritma lain seperti K-Nearest Neighbor (KNN) atau Support Vector Machine (SVM) guna meningkatkan akurasi prediksi mahasiswa berpotensi drop out.
Kata Kunci : C4.5;naïve bayes;mahasiswa;confusion matrix