Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Algoritma Random Forest Regressor

Abstract

Menurunnya jumlah mahasiswa baru pada perguruan tinggi swasta merupakan fenomena yang membutuhkan perhatian strategis guna menjaga keberlanjutan institusi. Penelitian ini difokuskan pada estimasi jumlah mahasiswa baru Fakultas Teknologi Informasi Universitas Sebelas April untuk periode 2021-2025. Metode penelitian meliputi proses akuisisi data, pra-pemrosesan, hingga evaluasi model berbasis metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Coefficient of Determination (). Hasil eksperimen memperlihatkan performa training yang solid dengan nilai  sebesar 0.81. Namun, pada fase pengujian (testing) dengan data tahun 2025, diperoleh nilai MAE sebesar 42.12, dan MSE sebesar 1774.09. Disparitas kinerja ini disebabkan oleh keterbatasan volume data historis, di mana model memprediksi secara konservatif (155 mahasiswa) dibandingkan realisasi aktual yang turun drastis (113 mahasiswa). Analisis Feature Importance mengungkapkan bahwa variabel 'Trend' memiliki pengaruh dominan sebesar 66.6% dibandingkan variabel historis tahun sebelumnya (Lag) sebesar 33.4%, yang mengindikasikan adanya pola penurunan minat yang bersifat sistematis dan struktural. Penelitian ini menyimpulkan bahwa meskipun akurasi prediktif terkendala oleh minimnya sampel data, model berhasil memberikan indikator peringatan dini (early warning) bagi manajemen fakultas untuk merumuskan strategi adaptif yang lebih efektif.