<![CDATA[Peningkatan kualitas pendidikan tinggi merupakan prioritas strategis untuk menghasilkan lulusan yang kompeten dan adaptif terhadap tantangan zaman. Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi menegaskan pentingnya mutu penyelenggaraan pendidikan dan kompetensi lulusan. Salah satu indikator kunci mutu tersebut adalah performa akademik mahasiswa, yang kini dapat diprediksi secara lebih akurat melalui pendekatan Educational Data Mining (EDM). Penelitian ini membandingkan efektivitas dari dua algoritma metaheuristik, yaitu Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO) dalam proses seleksi fitur untuk meningkatkan akurasi klasifikasi performa akademik mahasiswa berdasarkan data akademik Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Jember. Dataset terdiri atas 203 mahasiswa dari tahun ajaran 2022/2023 dan 2023/2024. Hasil menunjukkan bahwa algoritma GA menghasilkan akurasi pengujian sebesar 0,9508, sementara algoritma PSO mencapai 0,9912. GA unggul dalam eksplorasi kombinasi fitur yang kompleks, sedangkan PSO menunjukkan efisiensi komputasi yang lebih tinggi. Fitur-fitur penting seperti SKS, pekerjaan orang tua, penggunaan smartphone, dan dukungan keluarga teridentifikasi sebagai prediktor utama. Kedua pendekatan terbukti efektif dalam meningkatkan performa model prediksi sekaligus mengurangi kompleksitas data. Temuan ini menunjukkan potensi besar algoritma metaheuristik sebagai teknologi pendukung dalam sistem akademik modern untuk mendukung pengambilan keputusan berbasis data, meningkatkan efisiensi intervensi akademik, dan menunjang perencanaan pendidikan tinggi yang lebih adaptif dan presisi.]]>
Copyrights © 2025
