Publisher

1001TUTORIAL1001TUTORIAL

Journal JENTIK : Jurnal Pendidikan Teknologi Informasi dan KomunikasiJENTIK : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Abstract

Latar belakang studi: Drop out mahasiswa di pendidikan tinggi dipengaruhi oleh berbagai faktor, termasuk data demografis, sosioekonomi, makroekonomi, dan kinerja akademik. Mengidentifikasi mahasiswa yang berisiko drop out secara akurat merupakan tantangan signifikan dalam bidang data mining pendidikan, terutama saat bekerja dengan dataset besar dan kompleks. Tujuan dan cakupan paper: Studi ini bertujuan untuk mengidentifikasi subset fitur optimal yang dapat meningkatkan akurasi prediksi drop out mahasiswa. Cakupannya mencakup efektivitas berbagai algoritma machine learning yang dikombinasikan dengan metode seleksi fitur berbasis heuristik untuk menemukan model berkinerja terbaik. Metode: Pendekatan seleksi fitur berbasis wrapper digunakan dengan Ant Colony Optimization (ACO) sebagai strategi pencarian. ACO diintegrasikan dengan lima klasifier—Random Forest (RF), Logistic Regression (LR), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Neural Network (NN)—untuk memilih subset fitur paling relevan. Kinerja setiap kombinasi dievaluasi dan dibandingkan. Hasil: Studi menemukan bahwa ACO yang dikombinasikan dengan Random Forest (ACO-RF) unggul dalam efektivitas seleksi fitur dibandingkan kombinasi lainnya. Fitur yang dipilih kemudian divalidasi menggunakan berbagai algoritma machine learning dan neural network. Di antaranya, neural network mencapai akurasi tertinggi sebesar 93%. Kesimpulan: Metode wrapper ACO-RF yang diusulkan merupakan strategi seleksi fitur yang efektif untuk memprediksi drop out mahasiswa di pendidikan tinggi. Metode ini meningkatkan kinerja model, terutama saat digunakan dengan neural network, dan menawarkan pendekatan menjanjikan untuk identifikasi dini mahasiswa berisiko.

Conclusion

Metode wrapper ACO-RF efektif dalam memilih fitur paling relevan untuk memprediksi drop out mahasiswa di pendidikan tinggi.Penggunaan fitur terpilih meningkatkan akurasi model, terutama pada neural network yang mencapai akurasi 93%.Temuan ini menunjukkan bahwa kinerja akademik semester kedua, latar belakang sosioekonomi orang tua, dan mode pendaftaran merupakan prediktor kunci yang dapat digunakan untuk intervensi dini.

Future Research

Penelitian selanjutnya dapat mengeksplorasi bagaimana pola perkembangan akademik mahasiswa dari semester ke semester dapat digunakan untuk memprediksi risiko drop out secara lebih dinamis, bukan hanya berdasarkan data akhir semester. Selain itu, penting untuk menguji metode ACO-RF ini pada dataset dari berbagai universitas di Indonesia yang memiliki konteks sosioekonomi dan budaya berbeda, agar model tidak hanya akurat tetapi juga adil dan dapat diterapkan secara luas. Terakhir, penelitian bisa menggabungkan data perilaku digital mahasiswa, seperti frekuensi akses platform pembelajaran atau partisipasi dalam diskusi online, untuk melengkapi data akademik dan demografis, sehingga membangun sistem prediksi yang lebih komprehensif dan responsif terhadap perubahan perilaku mahasiswa secara real-time.

References

1. Wrapper Feature Selection Method for Predicting Student Dropout in Higher Education | JENTIK : Jurnal... doi.org/10.58723/jentik.v4i1.441Wrapper Feature Selection Method for Predicting Student Dropout in Higher Education JENTIK Jurnal doi 10 58723 jentik v4i1 441
2. Revisiting the Tinto's Theoretical Dropout Model | Nicoletti | Higher Education Studies | CCSE.... ccsenet.org/journal/index.php/hes/article/view/0/39870Revisiting the Tintos Theoretical Dropout Model Nicoletti Higher Education Studies CCSE ccsenet journal index php hes article view 0 39870
3. Utilizing Feature Selection in Identifying Predicting Factors of Student Retention. utilizing feature... doi.org/10.14569/ijacsa.2019.0100934Utilizing Feature Selection in Identifying Predicting Factors of Student Retention utilizing feature doi 10 14569 ijacsa 2019 0100934
4. [1812.00843] Early Prediction of Course Grades: Models and Feature Selection. early prediction course... doi.org/10.48550/arXiv.1812.008431812 00843 Early Prediction of Course Grades Models and Feature Selection early prediction course doi 10 48550 arXiv 1812 00843

Metadata

File size	1.47 MB
Pages	19
DMCA	Report