Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 3

Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan

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

DOI
10.55679/semantik.v10i2.67
ISSN
2502-8928, 2460-1446
Published
2024-12-02
Publisher
Informatics Engineering Department of Halu Oleo University
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

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

Keywords

Collaboration network of the authors

14 authors · 29 co-authorship links · 10 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Universitas Bina Sarana Informatika
  • Tanjungpura University
  • Universitas Muhammadiyah Malang
  • Indonesian Institute of Sciences
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Risnandar RisnandarIndonesian Institute of Sciences1
Jajang Jaya PurnamaUniversitas Bina Sarana Informatika1
Hendri Mahmud NawawiUniversitas Bina Sarana Informatika1
Susy RosyidaAffiliation unknown1
Wahyu AndhikaUniversitas Muhammadiyah Malang1
Munifah NurUniversitas Muhammadiyah Malang1
Rizkhi Dwi NugrohoUniversitas Muhammadiyah Malang1
Dwi Marisa MidyantiTanjungpura University1
Syamsul BahriTanjungpura University1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://semantik.uho.ac.id/index.php/journal/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan</dc:title>
	<dc:creator>Ridwansyah, Ridwansyah</dc:creator>
	<dc:creator>Iqbal, Muhammad</dc:creator>
	<dc:creator>Destiana, Henny</dc:creator>
	<dc:creator>Sugiono, Sugiono</dc:creator>
	<dc:creator>Hamid, Abdul</dc:creator>
	<dc:subject xml:lang="en-US">Data Mining</dc:subject>
	<dc:subject xml:lang="en-US">Kelulusan</dc:subject>
	<dc:subject xml:lang="en-US">Machine Learning</dc:subject>
	<dc:description xml:lang="en-US">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</dc:description>
	<dc:publisher xml:lang="en-US">Informatics Engineering Department of Halu Oleo University</dc:publisher>
	<dc:date>2024-12-02</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://semantik.uho.ac.id/index.php/journal/article/view/67</dc:identifier>
	<dc:identifier>10.55679/semantik.v10i2.67</dc:identifier>
	<dc:source xml:lang="en-US">SemanTIK : Teknik Informasi; Vol. 10 No. 2 (2024): Vol. 10 No. 2 (2024): SemanTIK Teknik Informasi</dc:source>
	<dc:source>2502-8928</dc:source>
	<dc:source>2460-1446</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://semantik.uho.ac.id/index.php/journal/article/view/67/1</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2024 Ridwansyah Ridwansyah, Muhammad Iqbal, Henny Destiana, Sugiono Sugiono, Abdul Hamid</dc:rights>
	<dc:rights xml:lang="en-US">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>