Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Education Technology Journal
Najwa Aisha Hirania Hirania
UIN RADEN MAS SAID SURAKARTA
Computer Science & IT Education Languange, Linguistic, Communication & Media Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Perbandingan Algoritma Machine Learning Dalam Prediksi Akademik Mahasiswa Berbasis Data Apriliana Putri Maulikha; Najwa Aisha Hirania Hirania; Fatecha Athallah Ahmad; Celvin Rasya Pamungkas; Muhammad Faiz Ardiansyah; Faridhatun Nikmah
Edutechno : Educational Technology Journal Vol. 2 No. 01 (2026): Volume 02 Nomor 01 (Juni 2026)
Publisher : PT Ininnawa Paramacitra Edukasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62330/edutechno.v2i01.798

Abstract

Tingginya angka kegagalan akademik merupakan salah satu indikator signifikan yang memengaruhi kualitas dan akreditasi institusi perguruan tinggi. Penelitian ini bertujuan untuk menganalisis perbandingan algoritma Machine Learning dalam memprediksi performa akademik dan merumuskan strategi cara mengatasi mahasiswa yang teridentifikasi berisiko gagal. Metode penelitian yang digunakan yaitu Systematic Literature Review (SLR) terhadap literatur yang dipublikasikan antara tahun 2019-2025. Hasil analisis menunjukan bahwa algoritma Decision Tree (C4.5) merupakan model paling optimal untuk pengelompokkan risiko dengan tingkat akurasi mencapai hingga 97.80% yang mampu menangani dalam data administratif yang bersifat kategorikal. Sementara itu, analisis regresi linear menunjukkan adanya korelasi linear yang kuat antara perilaku belajar mahasiswa dengan capaian akademik, variabel presensi juga memberikan kontribusi sebesar 94% (R2 = 0,94) terhadap akurasi prediksi. Tidak hanya itu temuan lain mengungkapkan bahwa integrasi data real time dari Learning Management System (LMS) secara signifikan dapat meningkatkan presisi pada model dibandingkan dengan penggunaan data historis statis. Simpulan penelitian ini menegaskan bahwa penerapan hasil prediksi melalui Early Warning System yang diintegrasikan dengan bimbingan akademik intensif oleh Dosen Pembimbing Akademik (DPA) merupakan solusi efektif untuk menekan angka kegagalan studi secara dini dan objektif.
Co-Authors Apriliana Putri Maulikha Celvin Rasya Pamungkas Faridhatun Nikmah Fatecha Athallah Ahmad Muhammad Faiz Ardiansyah