Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan

Ridwansyah Ridwansyah (Universitas Bina Sarana Informatika)
Muhammad Iqbal (Universitas Bina Sarana Informatika)
Henny Destiana (Universitas Bina Sarana Informatika)
Sugiono Sugiono (Universitas Bina Sarana Informatika)
Abdul Hamid (Universitas Bina Sarana Informatika)

semanTIK
Vol. 10 No. 2 (2024): SemanTIK : Teknik Informasi

Akreditasi perguruan tinggi menjadi salah satu indikator utama kualitas pendidikan, di mana tingkat kelulusan mahasiswa merupakan salah satu komponen penilaian yang sangat diperhatikan. Tingkat kelulusan yang rendah dapat berdampak negatif pada reputasi institusi, serta tantangan bagi mahasiswa dalam kelulusan tepat waktu. Tujuan penelitian untuk mengembangkan model prediktif kelulusan mahasiswa menggunakan berbagai algoritma machine learning yang sebelumnya belum pernah dilakukan pada dataset yang sama. Metode seperti LDA, RIDGE, LR, GBC, DUMMY, KNN, DT, NB, SVM, dan QDA diaplikasikan untuk memprediksi kelulusan. Hasil menunjukkan bahwa LDA memberikan kinerja terbaik dengan akurasi 86,20%, diikuti oleh Ridge dan LR. Model LDA menunjukkan performa unggul seperti recall dan F1-Score, menjadikannya model paling efektif untuk prediksi kelulusan. Dengan ini kontribusi yang didapat sangat signifikan dalam analitik prediktif pendidikan, terutama dalam hal meningkatkan tingkat kelulusan mahasiswa dan mendukung pencapaian akreditasi yang unggul. Hasil yang didapat diharapkan akan digunakan oleh perguruan tinggi untuk mengidentifikasi risiko akademik lebih dini dan memberikan intervensi yang tepat, sehingga dapat meningkatkan kualitas pendidikan dan tingkat kelulusan mahasiswa