Perpustakaan Digital ITB

Angka drop out yang tinggi dan performa mahasiswa yang rendah merupakan masalah yang tak terhindarkan bagi lembaga pendidikan baik nasional maupun internasional. Mengetahui adanya mahasiswa yang memiliki risiko drop out menjadi penting guna mengantisipasi terus bertumbuhnya jumlah mahasiswa drop out. Oleh sebab itu, dalam penelitian ini dilakukan prediksi performa akademik dan waktu kelulusan siswa menggunakan data rekam jejak mahasiswa dengan metode prediksi terpisah dan gabungan. Data dikumpulkan dari sebuah program studi di salah satu universitas di Bandung. Data preprocessing dilakukan untuk menghasilkan dataset dengan feature yang umum untuk memprediksi kedua task tersebut. Arsitektur Long Short-Term Memory (LSTM) dan Gate Recurrent Units (GRU) diusulkan dalam penelitian ini karena memiliki kinerja yang baik pada banyak task dengan sequential data. Dalam penelitian ini, arsitektur LSTM dan GRU memiliki kinerja baik dalam memprediksi setiap task. Kinerja kedua arsitektur itu saling melampaui bergantung pada task yang dimiliki. Pada task waktu kelulusan, nilai F1-score model terbaik memiliki mencapai 94% dan pada task performa mahasiswa, nilai F1-Score-nya adalah 86 %. Sedangkan pada task gabungan nilai F1-score yang dihasilkan adalah 73%. Pada early prediction, prediksi waktu kelulusan dapat memberikan kinerja yang baik sejak semester kedua dengan nilai F1-score 83%. Sedangkan pada prediksi prestasi mahasiswa, nilai RMSE sudah memenuhi rules of thumb sejak semester kedua senilai 0.426. Secara keseluruhan kinerja prestasi siswa dan prediksi kelulusan lebih baik jika menggunakan metode terpisah dibandingkan dengan metode gabungan. Penggunaan layer dropout secara keseluruhan cenderung menurunkan kinerja model. Preprocessing data dan model baseline yang dihasilkan dalam penelitian ini diharapkan dapat direplikasi untuk task serupa di universitas lain dengan penyesuaian fitur berdasarkan ketersediaan data.