UMGUMG
E-Link: Jurnal Teknik Elektro dan InformatikaE-Link: Jurnal Teknik Elektro dan InformatikaPeningkatan jumlah mahasiswa pada Program Studi D3 Teknologi Informasi menyebabkan pengelolaan kelulusan tepat waktu menjadi semakin menantang. Penelitian ini menggunakan metode machine learning untuk menganalisis pola secara komprehensif dan memprediksi tingkat kelulusan tepat waktu. Dataset yang digunakan berjumlah 608 mahasiswa dari angkatan 2018 hingga 2020, dengan atribut seperti IPK Semester 1–6, jenis kelamin, serta jalur masuk, yang seluruhnya berkontribusi pada pemahaman faktor-faktor yang memengaruhi kelulusan tepat waktu. Penelitian ini menerapkan dan mengevaluasi algoritma machine learning, khususnya K-Nearest Neighbors (KNN). Proses pemodelan dilakukan melalui pembagian data menggunakan metode train-test split dengan rasio 70:30 dan divalidasi lebih lanjut menggunakan 10-fold cross-validation untuk memastikan kemampuan generalisasi model. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model KNN menghasilkan performa terbaik dengan nilai accuracy sebesar 84%, precision 79%, recall 98%, dan F1-score 87%, melampaui performa Decision Tree dan Random Forest. Tingginya nilai recall menunjukkan kemampuan KNN yang sangat baik dalam mendeteksi mahasiswa yang berpotensi lulus tepat waktu. Kebaruan penelitian ini terletak pada penerapan dan evaluasi komprehensif model KNN dengan validasi berlapis (train-test split dan cross-validation) pada konteks Program Studi D3 Teknologi Informasi di Indonesia, yang masih jarang dikaji dalam penelitian sebelumnya. Temuan ini diharapkan dapat menjadi dasar pengambilan keputusan akademik dalam perencanaan intervensi dini guna meningkatkan capaian kelulusan tepat waktu mahasiswa.
Penelitian ini menunjukkan bahwa algoritma K-Nearest Neighbors (KNN) memberikan kinerja terbaik dalam mendeteksi kelulusan mahasiswa, dengan akurasi tinggi sebesar 84% dan nilai recall yang sangat baik sebesar 98%.Model Random Forest memberikan keseimbangan yang lebih baik dibandingkan Decision Tree, dengan akurasi yang lebih tinggi dan stabilitas prediksi yang lebih baik.Secara keseluruhan, KNN merupakan pilihan terbaik untuk mendeteksi kelulusan tepat waktu, sedangkan Random Forest lebih andal dalam menangani data yang lebih kompleks.Hasil penelitian ini dapat dimanfaatkan oleh Program Studi D3 Teknologi Informasi, sebagai dasar pengembangan sistem peringatan dini untuk mendeteksi mahasiswa yang berisiko tidak lulus tepat waktu.
Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan eksplorasi variabel non-akademik, seperti partisipasi dalam kegiatan organisasi atau prestasi di luar akademik, untuk memperkaya model prediksi dan memberikan gambaran yang lebih holistik tentang faktor-faktor yang memengaruhi kelulusan. Kedua, penelitian selanjutnya dapat menguji efektivitas teknik machine learning lainnya, seperti deep learning, untuk meningkatkan akurasi prediksi dan menangani data yang lebih kompleks. Ketiga, pengembangan sistem peringatan dini berbasis model KNN dapat diimplementasikan untuk memberikan intervensi akademik yang lebih terarah kepada mahasiswa yang berpotensi tidak lulus tepat waktu, sehingga meningkatkan capaian kelulusan secara keseluruhan. Integrasi saran-saran ini diharapkan dapat menghasilkan model prediksi yang lebih akurat dan memberikan kontribusi signifikan dalam meningkatkan kualitas pendidikan di Program Studi D3 Teknologi Informasi.
| File size | 743.45 KB |
| Pages | 11 |
| DMCA | Report |
Related /
IAIIIAII Disisi lain, SVM dengan kernel linear, performa terbaik diperoleh ketika menerapkan teknik standarisasi (normalisasi zero-mean). Sedangkan algoritme ANN,Disisi lain, SVM dengan kernel linear, performa terbaik diperoleh ketika menerapkan teknik standarisasi (normalisasi zero-mean). Sedangkan algoritme ANN,
UIAUIA Metode penelitian yang digunakan adalah yuridis normatif dengan pendekatan perundang-undangan, konseptual, dan kasus. Hasil penelitian menunjukkan bahwaMetode penelitian yang digunakan adalah yuridis normatif dengan pendekatan perundang-undangan, konseptual, dan kasus. Hasil penelitian menunjukkan bahwa
UIAUIA In fact, Law Number 17 of 2023, as the basic norm for health care in Indonesia, should serve as the primary reference for other regulations based on healthIn fact, Law Number 17 of 2023, as the basic norm for health care in Indonesia, should serve as the primary reference for other regulations based on health
UIAUIA The research indicates that the KPKs placement within the executive branch poses a significant challenge to its independence, as it increases the riskThe research indicates that the KPKs placement within the executive branch poses a significant challenge to its independence, as it increases the risk
SUBSETSUBSET Model BERT dilatih menggunakan data yang telah diproses dengan pembagian 80% untuk training, 10% validation, dan 10% testing. Hasil evaluation menunjukkanModel BERT dilatih menggunakan data yang telah diproses dengan pembagian 80% untuk training, 10% validation, dan 10% testing. Hasil evaluation menunjukkan
POLIBANPOLIBAN Algoritma K-Nearest Neighbor (KNN) merupakan metode yang sering digunakan dalam klasifikasi status gizi, terutama pada balita, ibu hamil, atau klasifikasiAlgoritma K-Nearest Neighbor (KNN) merupakan metode yang sering digunakan dalam klasifikasi status gizi, terutama pada balita, ibu hamil, atau klasifikasi
NINETYJOURNALNINETYJOURNAL Penelitian ini berhasil mengimplementasikan pembuatan data sintetis dengan library Python Faker dan algoritma Decision Tree untuk memprediksi kinerja karyawan,Penelitian ini berhasil mengimplementasikan pembuatan data sintetis dengan library Python Faker dan algoritma Decision Tree untuk memprediksi kinerja karyawan,
UMGUMG Blowfish dan Twofish merupakan algoritma enkripsi simetris yang menggunakan single key dalam enkripsi dan dekripsi. Pada jurnal ini dilakukan pengujianBlowfish dan Twofish merupakan algoritma enkripsi simetris yang menggunakan single key dalam enkripsi dan dekripsi. Pada jurnal ini dilakukan pengujian
Useful /
UMGUMG Penelitian ini berhasil mengidentifikasi barang Laris menggunakan algoritma Naïve Bayes, membantu Toko Pelangi Jaya Motor dalam memahami pola permintaanPenelitian ini berhasil mengidentifikasi barang Laris menggunakan algoritma Naïve Bayes, membantu Toko Pelangi Jaya Motor dalam memahami pola permintaan
NINETYJOURNALNINETYJOURNAL Hasil menunjukkan bahwa CNN memberikan performa terbaik dengan akurasi 92%, diikuti oleh Random Forest dengan akurasi 85% dan SVM dengan akurasi 78%. CNNHasil menunjukkan bahwa CNN memberikan performa terbaik dengan akurasi 92%, diikuti oleh Random Forest dengan akurasi 85% dan SVM dengan akurasi 78%. CNN
NINETYJOURNALNINETYJOURNAL Tahap selanjutnya adalah analisis hubungan semantik antar kata dan kalimat menggunakan Singular Value Decomposition untuk menghasilkan matriks term-dokumenTahap selanjutnya adalah analisis hubungan semantik antar kata dan kalimat menggunakan Singular Value Decomposition untuk menghasilkan matriks term-dokumen
UMAUMA Penelitian ini menggunakan pendekatan deskriptif kualitatif, untuk memperoleh informasi dan data‑data digunakan teknik pengumpulan data berupa studiPenelitian ini menggunakan pendekatan deskriptif kualitatif, untuk memperoleh informasi dan data‑data digunakan teknik pengumpulan data berupa studi