Perpustakaan Digital ITB

Peran Perguruan Tinggi (PT) dalam menyiapkan lulusan untuk siap menghadapi dunia kerja selalu menjadi isu kontroversial, PT sering dikritik mengenai ketidaksiapan lulusannya untuk terlibat dalam konteks nyata dalam praktik profesional, dimana dalam hal ini employability dari lulusan menjadi salah satu masalah utama yang terjadi di perguruan tinggi. Oleh karena itu, PT semakin fokus dalam menyiapkan lulusannya agar mampu mendapatkan pekerjaan setelah lulus dari perguruan tinggi. Perguruan tinggi dan pemerintah Indonesia telah mengimplementasikan berbagai program untuk meningkatkan kualitas, baik itu perguruan tinggi maupun para lulusannya agar siap menghadapi dunia kerja dan dapat menekan pengangguran. Salah satu program yang dilakukan oleh Kementrian, Pendidikan, Kebudayaan, Riset dan Teknologi (Kemdikbudristek) adalah dibangunnya sistem tracer study yang bertujuan untuk melacak aktivitas para lulusan setelah masa pendidikan tinggi. Belum terdapat penelitian yang melakukan pembangunan model yang digunakan untuk memprediksi bagaimana employability pada lulusan perguruan tinggi di Indonesia dengan menggunakan dataset yang berasal dari database tracer study Indonesia. Oleh karena itu, penelitian ini bertujuan untuk membangun model klasifikasi employability lulusan perguruan tinggi di Indonesia menggunakan teknik data mining yang yang dapat memprediksi bagaimana pekerjaan lulusan setelah lulus dari perguruan tinggi. Model klasifikasi employability terdiri dari model klasifikasi prediksi status kerja lulusan perguruan tinggi dalam kurun waktu enam (6) bulan setelah kelulusan dan model klasifikasi prediksi kesesuaian bidang studi dengan pekerjaan yang didapatkan; dan juga menginvestigasi variabel penting yang relevan terhadap model yang dibangun. Sumber data yang digunakan berasal dari database tracer study Belmawa yang berjumlah 365.062 lulusan dan database tracer study ITB yang berjumlah 8.274 lulusan. Model klasifikasi status kerja yang bersumberkan pada dataset tracer study Belmawa menunjukkan bahwa algortima Random Forest - SMOTE-ENN menghasilkan model dengan kinerja terbaik dengan akurasi sebesar 95,67% dan F1 sebesar 95%, 10 variabel penting dan relevan terdiri dari jumlah perusahaan yang dilamar, pengelompokan pembina perguruan tinggi, waktu mencari kerja, kelompok bidang ilmu, mencari pekerjaan melalui relasi, mencari pekerjaan melalui internet, IPK, penekanan pembelajaran aspek magang, mencari pekerjaan melalui network, dan kompetensi Bahasa Inggris. Pada model klasifikasi status kerja yang bersumberkan pada dataset tracer study ITB, algoritma Random Forest - SMOTE-ENN menghasilkan model dengan kinerja terbaik dengan akurasi sebesar 94,45% dan F1 sebesar 94%, 10 variabel penting dan relevan terdiri dari waktu mencari pekerjaan, jumlah perusahaan yang dilamar, mencari pekerjaan melalui internet, kelompok bidang studi, sumber dana kuliah, mencari pekerjaan melalui relasi, IPK, mencari pekerjaan melalui bursa kerja, kompetensi bahasa asing, dan penekanan pembelajaran aspek diskusi. Model kedua yang dibangun adalah model klasifikasi kesesuaian bidang studi dengan pekerjaan yang didapatkan oleh lulusan perguruan tinggi. Model klasifikasi kesesuaian kerja yang dibangun menggunakan dataset tracer study Belmawa menunjukkan bahwa algortima Random Forest - SMOTE-ENN merupakan algoritma yang menghasilkan model dengan ukuran kinerja terbaik dengan akurasi sebesar 96,75% dan F1 sebesar 96%, di mana 10 variabel penting dan relevan terdiri dari tingkat pendidikan dengan pekerjaan, pengelompokan pembina perguruan tinggi, jenis perusahaan, kelompok bidang ilmu, kompetensi pengetahuan bidang ilmu, pendapatan per bulan, penekanan metode pembelajaran aspek perkuliahan, jenis perguruan tinggi, penekanan metode pembelajaran aspek magang, penekanan pembelajaran aspek demonstrasi, kompetensi bahasa inggris, penekanan pembelajaran dalam aspek riset, IPK, penekanan pembelajaran dalam aspek diskusi, penekanan pembelajaran dalam aspek praktikum, dan jenjang studi. Sedangkan model klasifikasi kesesuaian kerja yang dibangun menggunakan dataset tracer study ITB, algoritma Random Forest - SMOTE-ENN menghasilkan model klasifikasi yang mempunyai akurasi sebesar 99,35% dan F1 sebesar 99% dengan variabel penting dan relevan terdiri dari sumber dana kuliah, kompetensi pengetahuan bidang ilmu, jenis perusahaan, pendapatan per bulan, kompetensi pengetahuan di luar bidang ilmu, dan kelompok bidang ilmu.