Perpustakaan Digital ITB

Putus kuliah merupakan sebuah masalah yang berdampak cukup besar di dunia pendidikan. Salah satu solusi yang dapat dilakukan adalah dengan menyusun sebuah sistem peringatan menggunakan machine learning atau pembelajaran mesin untuk mengidentifikasi mahasiswa yang memiliki kemungkinan putus kuliah untuk diberikan intervensi sejak dini. Saat ini, belum ada penelitian yang dilakukan di ITB terkait prediksi mahasiswa putus kuliah. Telah banyak studi yang menunjukkan bagaimana identifikasi tersebut dapat dilakukan menggunakan pembelajaran mesin. Namun, penggunaan metode yang sama belum tentu dapat menghasilkan kinerja yang baik di institusi yang berbeda. Karena itu, perlu dicari tahu apakah dapat menyusun model yang memiliki kinerja yang baik di lingkungan ITB. Selain itu, saat ini data yang dapat digunakan baru data transkrip nilai mahasiswa, sementara studi lain umumnya menggunakan data lain seperti demografis. Tugas akhir ini mencoba menyusun model dengan menggunakan dua algoritme yang umum digunakan pada data mining di bidang pendidikan, yaitu decision tree dan knearest neighbors. Data transkrip nilai juga akan diolah menjadi dua bentuk dataset, yaitu data seluruh mahasiswa dengan fitur turunan seperti IP dan jumlah SKS, dan data per prodi dengan nilai setiap mata kuliah. Dari hasil percobaan, metode yang terbaik adalah melakukan pemodelan secara terpisah terhadap setiap program studi menggunakan k-neighbors classifier yang dioptimasi hyperparameter-nya. Namun, dengan nilai rata-rata precision dan recall dari setiap prodi yang dimodelkan 0.57, kinerja model belum dapat dikatakan baik. Hal ini diakibatkan karena data nilai mahasiswa ITB tidak memiliki informasi pembeda yang cukup antara mahasiswa berisiko dan yang tidak. Ini terlihat dari data yang beririsan antara kedua kelas.