KOMPUTASI ALGORITMA DESISION TREE DAN RANDOM FOREST PADA KLASIFIKASI BEASISWA SATU DESA DUA SARJANA KABUPATEN BOJONEGORO

Adanya beasiswa yang diselenggarakan oleh pemerintah kabupaten Bojonegoro yang membuat banyak warga yang berminat untuk mendapatkan beasiswa tersebut. Bukan hanya dari kalangan menengah kebawah akan tetapi warga yang perekonomiannya tinggi pun ikut serta dalam menerima beasiswa tersebut. Banyaknya kriteria yang diseleksi dalam menentukan keputusan pemberian beasiswa mengakibatkan pihak manajemen kesulitan dalam mengambil sebuah keputusan dan waktu yang dibutuhkan menjadi lebih lama. Klasifikasi merupakan sebuah proses untuk menemukan suatu model atau fungsi yang menggambarkan dan membedakan sebuah kelas data atau konsep yang mempunyai tujuan dapat menggunakan model hasil klasifikasi tersebut untuk membuat prediksi kelas objek dimana kelas labelnya tidak diketahui. penelitian ini sebagai upaya untuk mengimplementasikan Algoritma Decision Tree dan Random Forest sebagai pendukung keputusan klasifikasi mahasiswa calon penerima beasiswa satu desa dua sarjana. Membangun aplikasi sistem pendukung keputusan yang mampu mengklasifikasikan mahasiswa calon penerima beasiswa dengan menggunakan algoritma Decision Tree dan Random Forest. Pada penelitian ini data yang akan digunakan ialah data sekunder yang bersumber dari Dinas Pendidikan kabupaten Bojonegoro. Data yang digunakan dalam skripsi ini merupakan Data Beasiswa Satu Desa Dua Sarjana yang di dapat dari oleh Dinas Pendidikan kabupaten Bojonegoro tahun 2022 melalui pengajuan yang dilakukan oleh calon penerima Beasiswa Satu Desa Dua Sarjana yang berdomisili di kabupaten Bojonegoro.diperoleh informasi bahwa Random forest memperoleh hasil lebih baik dari pada Decision Tree dengan nilai Akurasi sebesar 80%, Sensitivity sebesar 90% dan Specivity sebesar 65%.4. Penelitian ini menggunakan dataset Beasiswa Satu Desa Dua sarjana. Pengukuran performa model dari algoritma Decision Tree dan Random Forest menunjukkan bahwa secara umum nilai dari matriks Accuracy, Recall atau Sensitivity, dan Spesificity pada kedua algoritma cukup baik. Algoritma Random Forest menghasilkan nilai Accuracy yang lebih tinggi daripada algoritma Decision Tree, yaitu sebesar 80%. Dan algoritma ini menghasilkan Recall 90% untuk kelas positif dan 65% untuk kelas negatif. Dan diketahui bahwa variabel yang paling berpengaruh yaitu Kartu Hasil Studi (KHS) semester 2.