Pemanfaatan Machine Learning untuk Memprediksi Dropout Mahasiswa di STIKes Panti Rapih Yogyakarta

Setiyono, Asep (2025) Pemanfaatan Machine Learning untuk Memprediksi Dropout Mahasiswa di STIKes Panti Rapih Yogyakarta. S2 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

	Text (Asep Setiyono) 235312541_Bab 0.pdf Download (178kB)
	Text 235312541_Bab 1.pdf Download (197kB)
	Text 235312541_Bab 2.pdf Download (231kB)
	Text 235312541_Bab 3.pdf Restricted to Registered users only Download (355kB)
	Text 235312541_Bab 4.pdf Restricted to Registered users only Download (447kB)
	Text 235312541_Bab 5.pdf Restricted to Registered users only Download (1MB)
	Text 235312541_Bab 6.pdf Download (271kB)

Abstract

Penelitian ini bertujuan untuk menguji efektivitas berbagai algoritma machine learning dalam memprediksi kemungkinan dropout mahasiswa. Tingkat dropout yang tinggi merupakan masalah serius di banyak institusi pendidikan, mempengaruhi kinerja institusi dan masa depan mahasiswa. Empat algoritma utama Random Forest, KNN, Naive Bayes, dan SVM telah diimplementasikan untuk mengatasi masalah ini, menggunakan dataset yang mencakup berbagai fitur mahasiswa yang relevan. Pendekatan-pendekatan machine learning diuji dalam tiga kondisi berbeda: tanpa modifikasi, dengan hyperparameter tuning, dan dengan penambahan noise, untuk menilai ketahanan dan efektivitas mereka dalam berbagai skenario. Evaluasi kinerja dilakukan menggunakan metrik seperti akurasi, precision, recall, F1-score, serta analisis ROC dan AUC. Analisis feature importance juga dilakukan untuk menentukan fitur-fitur yang memiliki pengaruh signifikan dalam prediksi. Random Forest secara konsisten menunjukkan kinerja terbaik dalam semua kondisi, mencapai Mean Accuracy sekitar 0.99725 tanpa modifikasi, 0.99718 dengan hyperparameter tuning, dan 0.99127 dengan penambahan noise. Analisis distribusi fitur melalui boxplot memberikan pemahaman lebih lanjut tentang sebaran nilai dan keberadaan outlier, yang membantu dalam menyempurnakan algoritma prediksi. Penelitian ini memberikan kontribusi penting dalam bidang prediksi dropout mahasiswa dengan mengidentifikasi algoritma dan fitur yang paling efektif untuk prediksi. Saran yang diberikan berdasarkan hasil analisis dapat membantu institusi pendidikan dalam merancang intervensi yang lebih tepat guna mengurangi tingkat dropout.

Actions (login required)

View Item