Publisher

IAIIIAII

Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)iJurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i Abstract

Mahasiswa merupakan salah satu komponen utama pada dunia pendidikan dan diharapkan dapat mengembangkan kualitas akademik maupun non-akademik selama masih berstatus menjadi mahasiswa. Kualitas tersebut dapat dilihat dari prestasi akademik yang diraih, yang merupakan bukti dari usaha yang dilakukan oleh mahasiswa. Prestasi akademik mahasiswa dievaluasi pada akhir setiap semester untuk menentukan hasil belajar yang telah dicapai. Jika mahasiswa tidak dapat memenuhi kriteria akademik tertentu yang dinyatakan dengan memenuhi syarat untuk melanjutkan studi, mahasiswa tersebut dapat berpotensi untuk tidak lulus tepat waktu atau bahkan Drop Out (DO). Tingginya jumlah mahasiswa yang tidak lulus tepat waktu atau DO di institusi pendidikan tinggi dapat diminimalkan dengan melakukan deteksi mahasiswa yang berisiko pada tahap awal pendidikan dan ditunjang dengan membuat kebijakan yang dapat mengarahkan mahasiswa agar dapat menyelesaikan pendidikannya. Selain itu, jika waktu penyelesaian studi mahasiswa dapat diprediksikan maka penanganan mahasiswa akan lebih efektif. Salah satu teknik melakukan prediksi yang dapat digunakan adalah dengan teknik data mining. Oleh karena itu, pada penelitian ini Algoritme Naive Bayes Classifier (NBC) akan digunakan untuk melakukan prediksi kelulusan mahasiswa di Universitas Telkom. Dataset diperoleh dari Direktorat Sistem Informasi (SISFO), Universitas Telkom yang berisi 4000 data instance. Hasil penelitian ini membuktikan bahwa NBC berhasil diimplementasikan untuk memprediksi kelulusan mahasiswa. Prediksi kelulusan mahasiswa tersebut mampu menghasilkan accuracy sebesar 73.725%, precision 0.742, recall 0.736 dan F-measure sebesar 0.735.

Conclusion

Pada penelitian ini pengimplementasian Naïve Bayes Classifier (NBC) untuk prediksi kelulusan mahasiswa telah dilakukan.Penelitian ini menggunakan dataset yang diperoleh dari Direktorat Sistem Informasi (SISFO), Universitas Telkom yang berisi 4000 data instances dengan enam (6) atribut, seperti Nilai Indeks Prestasi Semester (IPS) pada semester pertama, Nilai IPS semester kedua, Nilai IPS semester ketiga, Nilai IPS semester keempat, Nilai IPS semester keenam dan ditambahkan dengan class label kelulusan Tepat Waktu (TW) / Tidak Tepat Waktu (TTW) sebagai label output.Hasil penelitian menunjukkan bahwa NBC berhasil digunakan untuk mengklasifikasikan kelulusan mahasiswa dengan accuracy sebesar 73.Untuk alasan ini, pendidikan tinggi diharapkan dapat merancang program strategis dan memberikan perlakuan khusus kepada siswa yang berisiko pada tahap awal pendidikan untuk meningkatkan prestasi akademik sehingga mahasiswa yang tidak lulus tepat waktu atau putus sekolah dapat diminimalkan.

Future Research

Berdasarkan hasil penelitian dan analisis yang telah dilakukan, beberapa saran penelitian lanjutan dapat diajukan untuk meningkatkan akurasi dan kebermanfaatan model prediksi kelulusan mahasiswa. Pertama, perlu dilakukan eksplorasi terhadap variabel-variabel lain yang dapat mempengaruhi kelulusan, seperti faktor sosio-ekonomi mahasiswa, partisipasi dalam kegiatan ekstrakurikuler, atau kualitas pengajaran dosen. Dengan menambahkan variabel-variabel ini, model dapat menangkap pola-pola yang lebih kompleks dan meningkatkan kemampuan prediksinya. Kedua, dapat dilakukan perbandingan dengan algoritma machine learning lain yang potensial seperti Support Vector Machine atau Random Forest, untuk melihat algoritma mana yang memberikan performa terbaik dalam konteks prediksi kelulusan mahasiswa di Universitas Telkom. Selain itu, teknik ensemble learning dapat diaplikasikan untuk menggabungkan beberapa model, sehingga dapat memperoleh akurasi yang lebih tinggi. Ketiga, perlu dilakukan analisis terhadap kesalahan prediksi yang dilakukan oleh model, untuk mengidentifikasi mahasiswa mana yang paling sering salah diprediksi dan faktor-faktor apa yang menyebabkan kesalahan tersebut. Dengan informasi ini, pihak universitas dapat merancang intervensi yang lebih tepat sasaran, misalnya memberikan bimbingan akademik tambahan atau dukungan psikologis bagi mahasiswa yang berisiko putus sekolah. Kombinasi dari ketiga saran ini diharapkan dapat menghasilkan model prediksi kelulusan mahasiswa yang lebih akurat dan andal, sehingga dapat membantu pihak universitas dalam meningkatkan kualitas pendidikan dan mengurangi tingkat putus sekolah.

Metadata

File size	800.59 KB
Pages	7
DMCA	Report