PROVISIPROVISI

JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASIJURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI

Memprediksi kelulusan mahasiswa merupakan komponen penting dalam manajemen akademik di institusi pendidikan tinggi. Masalah keterlambatan kelulusan dan drop out (DO) telah menjadi perhatian serius di bidang pendidikan. Dengan menggunakan metode machine learning, prediksi kelulusan mahasiswa dapat dilakukan dengan akurasi tinggi berdasarkan data historis seperti prestasi akademik, kehadiran, latar belakang, dan faktor sosial. Artikel ini bertujuan untuk mengeksplorasi berbagai metode machine learning yang diterapkan dalam penelitian sebelumnya untuk memprediksi kelulusan mahasiswa, termasuk Decision Tree, Random Forest, SVM, dan Neural Networks. Temuan-temuan penelitian tersebut menunjukkan bahwa model seperti Random Forest dan XGBoost cenderung memberikan akurasi tertinggi dalam memprediksi hasil mahasiswa. Review ini dimaksudkan sebagai referensi dasar untuk pengembangan sistem data-driven dalam memprediksi tingkat kelulusan di lingkungan akademik.

Penerapan machine learning dalam prediksi kelulusan mahasiswa terbukti memberikan hasil yang menjanjikan, terutama dengan penggunaan algoritma klasifikasi seperti Random Forest, XGBoost, dan Neural Network.Studi literatur menunjukkan bahwa akurasi prediksi bisa mencapai di atas 90% bila didukung oleh data yang memadai dan teknik pengolahan yang tepat.Prediksi kelulusan dapat membantu institusi pendidikan dalam merancang intervensi dini bagi mahasiswa yang berisiko gagal lulus tepat waktu.Penelitian lanjutan dapat diarahkan pada penerapan model di institusi lokal, integrasi faktor non-akademik seperti motivasi dan kondisi ekonomi, serta penggunaan pendekatan explainable AI (XAI) untuk meningkatkan transparansi dalam pengambilan keputusan.Selain itu, perlu juga dikembangkan dashboard visualisasi prediksi yang dapat digunakan oleh dosen wali atau pihak akademik untuk memantau kemajuan studi mahasiswa secara real-time.

Untuk penelitian lanjutan, disarankan untuk menerapkan model prediksi kelulusan mahasiswa di institusi lokal dengan mempertimbangkan faktor-faktor non-akademik seperti motivasi dan kondisi ekonomi mahasiswa. Selain itu, penting untuk mengembangkan sistem prediksi yang dapat memberikan interpretasi yang jelas dan mudah dipahami oleh pihak akademik, sehingga keputusan yang diambil berdasarkan prediksi tersebut dapat diterima dan diterapkan dengan baik. Pengembangan dashboard visualisasi prediksi juga dapat menjadi fokus penelitian selanjutnya, agar pihak akademik dapat memantau kemajuan studi mahasiswa secara real-time dan mengambil tindakan yang diperlukan dengan cepat.

Read online
File size439.25 KB
Pages4
DMCAReport

Related /

ads-block-test