Publisher

UMGUMG

Journal E-Link: Jurnal Teknik Elektro dan InformatikaE-Link: Jurnal Teknik Elektro dan Informatika Abstract

Peningkatan 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.

Conclusion

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.

Future Research

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.

Metadata

File size	743.45 KB
Pages	11
DMCA	Report