Perpustakaan Digital ITB

Perguruan tinggi memainkan peran penting dalam menyediakan pendidikan berkualitas dan menghasilkan sumber daya manusia yang terampil. Di Indonesia, terdapat permintaan yang meningkat terhadap pendidikan tinggi karena pertumbuhan penduduk dan kesadaran yang semakin meningkat akan pentingnya pendidikan tersebut. Universitas Maju Jaya Sentosa, saat ini berada di peringkat 46-50 dalam Indonesia Uni Rank 2023, menghadapi tantangan dalam peringkat. Untuk berkembang dalam lingkungan yang kompetitif ini, perguruan tinggi harus selektif dalam menerima mahasiswa yang berkualifikasi dan memastikan adanya proses pengembangan akademik yang efektif. Kemampuan machine learning dapat dimanfaatkan untuk memprediksi potensi kinerja akademik mahasiswa, memfasilitasi intervensi tepat waktu dan dukungan untuk meningkatkan hasil belajar. Namun, saat ini belum ada penelitian yang tersedia yang fokus pada pembuatan model prediksi yang mengintegrasikan profil mahasiswa dengan kinerja akademik. Faktor-faktor yang menyebabkan kegagalan mahasiswa, seperti kemampuan akademik rendah, kendala keuangan, dan lokasi geografis, menjadi sorotan. Universitas Maju Jaya Sentosa, dengan basis data yang terbatas, membutuhkan metode untuk meningkatkan kinerja dan memprediksi kinerja akademik mahasiswa. Teknik machine learning seperti Educational Data Mining (EDM) dan Random Forest dapat membantu universitas dalam memahami kebutuhan mahasiswa dan mengembangkan kebijakan pendidikan yang efektif. Dengan memanfaatkan teknik-teknik ini, Universitas Maju Jaya Sentosa dapat tetap kompetitif dan meningkatkan kinerja akademik mahasiswanya. Peninjauan literatur yang komprehensif dan diskusi kelompok fokus dilakukan untuk mengidentifikasi kesenjangan penelitian dan faktor-faktor yang mempengaruhi kinerja mahasiswa. Pengumpulan dan pengolahan data dilakukan, dengan tahap pengolahan data meliputi tugas-tugas seperti pembersihan data, penghapusan data ekstrem, penanganan nilai yang hilang, dan transformasi variabel. Tahap pemodelan data menggunakan algoritma Random Forest dan teknik k-Fold cross-validation, membagi data menjadi set pelatihan dan pengujian. Tahap evaluasi melibatkan penilaian kinerja model menggunakan data pengujian dan metrik kinerja seperti akurasi, presisi, dan recall. Studi ini bertujuan untuk menyelidiki tingkat kelulusan mahasiswa di Universitas Maju Jaya Sentosa yang dikategorikan sebagai Studi Cepat (3 tahun), Tepat Waktu (3,5-4 tahun), dan Terlambat (4,5-6 tahun). Dataset ini mencakup mahasiswa yang telah menyelesaikan dan yang belum menyelesaikan studi mereka, dan perlakuan khusus diberikan bagi mereka yang belum menyelesaikan studi mereka. Faktor-faktor yang mempengaruhi kinerja mahasiswa diidentifikasi melalui diskusi kelompok fokus dan pengujian korelasi, sehingga memungkinkan identifikasi variabel independen yang signifikan. Studi ini menganalisis profil mahasiswa yang lulus pada tahun 2016-2017, yang dikombinasikan dengan data kinerja akademik. Tes regresi dilakukan untuk menentukan pengaruh 18 atribut terhadap kinerja. Random Forest Machine Learning dibandingkan dengan teknik lain untuk mengidentifikasi model prediksi yang paling akurat untuk kinerja akademik mahasiswa. Pada program studi Sains dan Teknologi di Universitas Maju Jaya Sentosa, model Random Forest mencapai tingkat prediksi sebesar 89,60%.