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.