Publisher

UINSIUINSI

Journal Southeast Asian Journal of Islamic EducationSoutheast Asian Journal of Islamic Education Abstract

Penurunan jumlah mahasiswa merupakan tantangan yang terus berlanjut di Perguruan Tinggi Keagamaan Islam Negeri (PTKIN) karena dipengaruhi oleh interaksi antara prestasi akademik, kondisi sosio-ekonomi, faktor psikologis, dan keterlibatan mahasiswa. Pendekatan tradisional yang hanya mengandalkan indikator akademik statis seperti Rata-Rata Nilai (Rata-rata Nilai) sering kali gagal menangkap sinyal risiko putus sekolah secara dini. Penelitian ini bertujuan untuk mengembangkan model deteksi dini risiko putus sekolah mahasiswa menggunakan algoritma Support Vector Machine (SVM) dengan mengintegrasikan indikator akademik, perilaku, sosio-ekonomi, dan psikologis. Penelitian ini menggunakan pendekatan kuantitatif dalam kerangka Educational Data Mining dan mengikuti proses Knowledge Discovery in Databases (KDD). Dataset terdiri dari 467 mahasiswa strata satu dengan setidaknya dua semester catatan akademik. Variabel yang digunakan meliputi Rata-rata Nilai, tren Rata-rata Nilai, kehadiran, keterlibatan dalam Sistem Manajemen Pembelajaran (LMS), pendapatan orang tua, jam kerja paruh waktu, dukungan keuangan, motivasi, dan indikator stres. Hasil menunjukkan bahwa model SVM yang dioptimalkan dengan kelas seimbang menggunakan kernel Fungsi Basis Radial (RBF) mencapai akurasi 81,9%, spesifisitas 88,1%, presisi 23,1%, dan recall 30,0% untuk kelas berisiko. Temuan ini menunjukkan bahwa model berguna sebagai alat skrining awal, terutama untuk mengurangi alarm palsu di antara mahasiswa aktif. Namun, recall yang terbatas menunjukkan bahwa model harus dikombinasikan dengan verifikasi penasihat akademik dan tindak lanjut institusi. Penelitian ini menekankan bahwa risiko putus sekolah bersifat multidimensional dan memerlukan intervensi yang didukung data, tepat waktu, dan didukung manusia.

Conclusion

Penelitian ini menunjukkan bahwa model Support Vector Machine (SVM) yang seimbang memiliki potensi untuk mendukung deteksi dini risiko putus sekolah mahasiswa di Perguruan Tinggi Keagamaan Islam Negeri (PTKIN).Dengan mengintegrasikan indikator akademik, perilaku, sosio-ekonomi, dan psikologis, model ini memberikan pandangan yang lebih luas tentang risiko putus sekolah daripada pendekatan yang hanya mengandalkan Rata-rata Nilai statis.Model akhir mencapai akurasi 81,9% dan spesifisitas 88,1%, menunjukkan bahwa model ini mampu mengidentifikasi mahasiswa aktif dan mengurangi alarm palsu.Namun, recall untuk kelas berisiko hanya 30,0%, yang berarti model masih melewatkan proporsi yang cukup besar dari mahasiswa yang sebenarnya berisiko.Oleh karena itu, model harus dipahami sebagai alat skrining awal daripada sistem pengambilan keputusan otomatis sepenuhnya.Temuan juga menunjukkan bahwa risiko putus sekolah bersifat multidimensional.Stres, penurunan tren Rata-rata Nilai, motivasi, jam kerja paruh waktu, Rata-rata Nilai, dukungan keuangan, keterlibatan LMS, dan kehadiran berkontribusi terhadap prediksi status risiko mahasiswa.Hal ini menunjukkan bahwa institusi perlu memperhatikan tidak hanya prestasi akademik tetapi juga kondisi psikologis, tekanan sosio-ekonomi, dan keterlibatan pembelajaran digital mahasiswa.Secara praktis, model dapat membantu penasihat akademik dan unit dukungan mahasiswa mengidentifikasi mahasiswa yang mungkin memerlukan verifikasi lebih lanjut, konseling, dukungan keuangan, atau bimbingan.Penelitian masa depan harus membandingkan SVM dengan algoritma pembelajaran mesin lainnya, meningkatkan sensitivitas model terhadap mahasiswa berisiko, dan menguji model di berbagai konteks institusional sebelum implementasi berskala penuh.

Future Research

Berdasarkan temuan penelitian ini, berikut adalah saran penelitian lanjutan:. . 1. Perbandingan dengan Algoritma Lain: Perlu dilakukan perbandingan antara SVM dengan algoritma pembelajaran mesin lainnya seperti regresi logistik, pohon keputusan, hutan acak, dan boosting gradien. Perbandingan ini akan membantu menentukan algoritma mana yang paling efektif dalam mendeteksi risiko putus sekolah mahasiswa di PTKIN.. . 2. Peningkatan Sensitivitas Model: Penelitian selanjutnya dapat fokus pada meningkatkan sensitivitas model terhadap mahasiswa berisiko. Hal ini dapat dilakukan dengan mengoptimalkan parameter model, menguji kernel alternatif, atau menggabungkan teknik pembelajaran transfer untuk meningkatkan kemampuan model dalam mendeteksi mahasiswa yang berisiko putus sekolah.. . 3. Pengujian Model di Konteks Institusional yang Lebih Luas: Model yang dikembangkan dalam penelitian ini perlu diuji di berbagai institusi PTKIN dengan karakteristik mahasiswa yang beragam. Pengujian ini akan membantu menentukan apakah model dapat diterapkan secara luas di berbagai institusi dengan kondisi yang berbeda-beda. Selain itu, penelitian juga dapat mengeksplorasi faktor-faktor spesifik institusi yang dapat mempengaruhi risiko putus sekolah dan bagaimana model dapat disesuaikan untuk mengakomodasi faktor-faktor tersebut.. . Dengan menggabungkan saran-saran ini, penelitian lanjutan dapat meningkatkan kemampuan model dalam mendeteksi risiko putus sekolah mahasiswa di PTKIN dan membantu institusi dalam mengambil tindakan yang tepat untuk meningkatkan retensi mahasiswa.

References

1. Toward an Institutional Analytics Agenda for Addressing Student Dropout in Higher Education | Journal... doi.org/10.18608/jla.2022.7507Toward an Institutional Analytics Agenda for Addressing Student Dropout in Higher Education Journal doi 10 18608 jla 2022 7507
2. Big data-driven early alert systems as means of enhancing university student retention and success |... journals.ac.za/index.php/sajhe/article/view/3899Big data driven early alert systems as means of enhancing university student retention and success journals ac za index php sajhe article view 3899
3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1186/s41239-022-00371-5Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1186 s41239 022 00371 5
4. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-022-00354-6Client Challenge client challenge javascript disabled browser please enable proceed required part site educationaltechnologyjournal springeropen articles 10 1186 s41239 022 00354 6
5. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1186/s41239-023-00436-zClient Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1186 s41239 023 00436 z

Metadata

File size	533.69 KB
Pages	16
DMCA	Report