<![CDATA[Perkembangan teknologi dan data dalam bidang pendidikan membuka peluang baru untuk memahami dan memprediksi performa akademik mahasiswa. Literatur ini mengkaji efektivitas berbagai algoritma machine learning, seperti Support Vector Machine (SVM), Random Forest, Naïve Bayes, dan Deep Learning, dalam memprediksi performa akademik mahasiswa berdasarkan atribut seperti nilai akademik, kehadiran, serta interaksi dalam platform pembelajaran. Hasil analisis menunjukkan bahwa SVM mencatat akurasi tertinggi hingga 94,4% pada dataset dengan margin data yang jelas, sementara Random Forest unggul dalam menangani dataset besar dan kompleks dengan akurasi konsisten sebesar 85%. Naïve Bayes, dengan kesederhanaannya, mencapai akurasi 87,6% untuk dataset dengan atribut independen, sedangkan Deep Learning menunjukkan potensi untuk dataset besar namun terbatas pada akurasi 72,84% karena keterbatasan data. Penelitian ini menekankan pentingnya pemrosesan data yang lebih baik serta penggunaan algoritma yang sesuai untuk meningkatkan kualitas pembelajaran berbasis data. Implementasi machine learning memungkinkan intervensi dini untuk mendukung keberhasilan akademik mahasiswa, meskipun tantangan seperti kualitas data dan kebutuhan sumber daya komputasi tetap menjadi perhatian utama. Penelitian ini dapat mendukung pengembangan sistem pembelajaran berbasis data di perguruan tinggi, memungkinkan pengambilan keputusan berbasis data yang lebih efektif untuk meningkatkan kualitas pendidikan dan hasil akademik mahasiswa.]]>
Copyrights © 2024
