Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Sitorus, Theresia Artha Putri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Prediksi Lama Studi Mahasiswa Menggunakan Data Nilai Mata Kuliah Dengan Algoritma Long Short Term Memory (LSTM) Sitorus, Theresia Artha Putri; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Lama studi merupakan indikator penting dalam penjaminan mutu perguruan tinggi. Namun, capaian kelulusan tepat waktu di Fakultas Ilmu Komputer Universitas Brawijaya per 31 Agustus 2024 baru mencapai 27,6% dari target LAMDIK sebesar 50%. Penelitian ini mengembangkan model prediksi lama studi mahasiswa menggunakan nilai mata kuliah dengan algoritma Long Short Term Memory (LSTM) sebagai upaya deteksi dini potensi keterlambatan kelulusan. Data penelitian berasal dari 2.290 mahasiswa Program Studi Teknik Informatika angkatan 2013–2021. Setiap mata kuliah direpresentasikan sebagai sekuens dengan fitur semester pengambilan, nilai, dan SKS, serta embedding mata kuliah. Sebanyak 36 mata kuliah wajib digunakan setelah proses penyetaraan kurikulum. Data dibagi menjadi 70% data latih dan 30% data uji, dengan proses pelatihan selama 20 epoch menggunakan Adam optimizer dan learning rate sebesar 0,001. Hasil pengujian hyperparameter tuning menunjukkan bahwa konfigurasi terbaik diperoleh pada hidden size 32 dan dimensi embedding 8, dengan nilai RMSE sebesar 1,7012 semester dan MAE sebesar 1,2374 semester pada sekuens penuh. Pada pengujian data parsial, nilai error tertinggi terjadi pada penggunaan data semester 1 dengan RMSE sebesar 3,6628 dan MAE sebesar 2,7975, kemudian menurun pada hingga semester 7 dengan RMSE sebesar 2,4052 dan MAE sebesar 1,6981. Analisis SHapley Additive exPlanations (SHAP) menunjukkan bahwa fitur nilai mata kuliah memberikan kontribusi terbesar terhadap prediksi lama studi. Selain itu, hasil interpretasi menghasilkan dua puluh nilai mata kuliah dengan kontribusi terbesar terhadap hasil prediksi.
Co-Authors Putra Pandu Adikara Rizal Setya Perdana