UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Prediksi kelulusan tepat waktu menjadi indikator penting dalam mengevaluasi kualitas pendidikan tinggi karena mencerminkan efektivitas manajemen akademik dan keberhasilan mahasiswa menyelesaikan studi dalam jangka waktu yang ditentukan. Selain sebagai indikator kualitas institusi, tingkat kelulusan tepat waktu juga digunakan dalam proses akreditasi program studi oleh Badan Akreditasi Nasional Pendidikan Tinggi. Oleh karena itu, identifikasi dini mahasiswa yang berisiko mengalami keterlambatan kelulusan sangat penting untuk mendukung pengambilan keputusan akademik dan pengembangan strategi intervensi yang lebih tepat. Penelitian ini bertujuan mengembangkan model prediksi kelulusan tepat waktu menggunakan algoritma Decision Tree yang dioptimalkan dengan metode Forward Selection. Penelitian dilakukan di Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya, menggunakan data mahasiswa dari kohort 2018–2021. Dataset mencakup atribut akademik dan non-akademik. Proses pemodelan mengikuti kerangka kerja CRISP-DM, dan kinerja model dievaluasi menggunakan matriks kebingungan dan akurasi seimbang. Hasil menunjukkan bahwa model Decision Tree tanpa seleksi fitur mencapai akurasi 63%, sedangkan penerapan Forward Selection meningkatkan akurasi menjadi 83% dan akurasi seimbang dari 69% menjadi 79%. Temuan ini menunjukkan bahwa seleksi fitur berperan penting dalam meningkatkan kinerja prediksi. Model yang diusulkan dapat mendukung pemangku kepentingan akademik dalam pengambilan keputusan berbasis data dan perencanaan strategi untuk meningkatkan tingkat kelulusan tepat waktu.

Penelitian ini menunjukkan bahwa penerapan klasifier Decision Tree dengan Forward Selection meningkatkan kinerja prediksi kelulusan mahasiswa di Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya.Model yang dioptimalkan mencapai kinerja klasifikasi yang lebih baik dibandingkan model dasar, dengan akurasi meningkat dari 63% menjadi 83%, F1-score makro dari 0,61 menjadi 0,77, dan akurasi seimbang dari 0,69 menjadi 0,79.Model juga mencapai recall 0,71 dan F1-score 0,67 untuk kelas DELAYED_GRADUATION, menunjukkan bahwa model dapat mengidentifikasi mahasiswa yang berisiko mengalami keterlambatan kelulusan secara lebih efektif.Proses seleksi fitur mengidentifikasi partisipasi MBKM, SKS_3, dan SKS_5 sebagai fitur utama dalam proses klasifikasi.Temuan ini menunjukkan bahwa variabel perkembangan akademik memberikan kontribusi yang lebih besar dibandingkan variabel non-akademik dalam prediksi kelulusan.Selain itu, aturan keputusan yang dihasilkan dapat mendukung penasihat akademik dan program studi dalam melakukan pemantauan akademik terkait keterlambatan kelulusan.Penelitian ini terbatas pada data mahasiswa dari satu program studi dan institusi.Penelitian masa depan dapat menggunakan dataset yang lebih besar dan beragam atau mengeksplorasi metode seleksi fitur dan klasifikasi alternatif untuk meningkatkan kinerja prediksi dan generalisasi model.

Penelitian lanjutan dapat mengembangkan model prediksi dengan menggabungkan algoritma Decision Tree dan metode seleksi fitur lain seperti Recursive Feature Elimination untuk membandingkan efektivitasnya. Selain itu, peneliti bisa mengeksplorasi penggunaan teknik SMOTE yang lebih canggih untuk menangani ketidakseimbangan kelas, terutama untuk kategori DELAYED_GRADUATION. Terakhir, penelitian dapat diperluas dengan memasukkan data dari program studi lain atau institusi pendidikan berbeda untuk meningkatkan generalisasi model dan memastikan hasil prediksi tetap akurat di berbagai konteks.

  1. Elinvo (Electronics, Informatics, and Vocational Education). machine learning approach predicting time... journal.uny.ac.id/index.php/elinvo/article/view/77052Elinvo Electronics Informatics and Vocational Education machine learning approach predicting time journal uny ac index php elinvo article view 77052
  2. View of Confusion Matrix-Based Performance Evaluation Metrics. view confusion matrix based performance... africanjournalofbiomedicalresearch.com/index.php/AJBR/article/view/4345/3327View of Confusion Matrix Based Performance Evaluation Metrics view confusion matrix based performance africanjournalofbiomedicalresearch index php AJBR article view 4345 3327
  3. Comparative Analysis of Classification Algorithms Using Feature Selection Techniques to Predict On-Time... doi.org/10.18280/isi.290412Comparative Analysis of Classification Algorithms Using Feature Selection Techniques to Predict On Time doi 10 18280 isi 290412
  4. Addressing Class Imbalance in Machine Learning for Predicting On-Time Student Graduation at The Islamic... journal.uinjkt.ac.id/index.php/ti/article/view/45913Addressing Class Imbalance in Machine Learning for Predicting On Time Student Graduation at The Islamic journal uinjkt ac index php ti article view 45913
Read online
File size519.04 KB
Pages12
DMCAReport

Related /

ads-block-test