Implementasi Artificial Intelligence untuk Prediksi Prestasi Akademik Mahasiswa: Penelitian

Anggika Sembiring; Putri Rahmawani; Shohe Mukhreza; Dicky Apdillah

doi:10.31004/jerkin.v5i1.7190

Authors

Anggika Sembiring Universitas Asahan
Putri Rahmawani Universitas Asahan
Shohe Mukhreza Universitas Asahan
Dicky Apdillah Universitas Asahan

DOI:

https://doi.org/10.31004/jerkin.v5i1.7190

Keywords:

Kecerdasan Buatan, Machine Learning, Prediksi Prestasi Akademik, SVM, Decision Tree

Abstract

Penelitian ini mengkaji penerapan Kecerdasan Buatan (Artificial Intelligence/AI), khususnya algoritma klasifikasi machine learning, guna memperkirakan capaian akademik mahasiswa di Universitas Asahan, Kisaran. Eksperimen komputasional kuantitatif dilaksanakan menggunakan rekam akademik 200 mahasiswa, mencakup indeks prestasi kumulatif (IPK), persentase kehadiran perkuliahan, nilai tugas, serta nilai ujian tengah semester. Tiga algoritma klasifikasi dikaji secara komparatif: Decision Tree, Naive Bayes, dan Support Vector Machine (SVM). Praproses data meliputi normalisasi Min-Max dan imputasi mean untuk nilai yang hilang, serta penerapan SMOTE guna mengatasi ketidakseimbangan kelas pada data latih. Hasil eksperimen menunjukkan SVM dengan kernel Radial Basis Function (RBF) menghasilkan akurasi prediksi tertinggi sebesar 89,5%, melampaui Decision Tree (84,0%) dan Naive Bayes (78,5%). Evaluasi Confusion Matrix mengonfirmasi keunggulan SVM dengan precision 0,91 dan recall 0,88. Analisis kepentingan fitur mengidentifikasi tingkat kehadiran dan nilai ujian tengah semester sebagai dua prediktor paling determinan. Temuan ini mengindikasikan bahwa sistem peringatan dini berbasis AI dapat diintegrasikan ke dalam sistem informasi akademik untuk mendukung intervensi tepat waktu bagi mahasiswa yang rentan secara akademik di Universitas Asahan.

References

Adnan, M., & Akbar, A. (2021). An analytical study of information extraction from unstructured and multidimensional big data. Journal of Big Data, 8(1), 1–28. https://doi.org/10.1186/s40537-020-00387-6

Aulck, L., Velagapudi, N., Blumenstock, J., & West, J. (2020). Predicting student dropout in higher education. arXiv preprint. https://doi.org/10.48550/arXiv.1606.06364

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953

Handayani, T., & Irfan, M. (2022). Perbandingan algoritma Decision Tree dan SVM untuk prediksi mahasiswa berpotensi drop-out. Jurnal Informatika Universitas Pamulang, 7(2), 112–121. https://doi.org/10.32493/informatika.v7i2.19845

Hussain, M., Zhu, W., Zhang, W., Abidi, S. M. R., & Ali, S. (2021). Using machine learning to predict student difficulties from learning session data. Artificial Intelligence Review, 54(3), 2357–2387. https://doi.org/10.1007/s10462-018-9620-8

Kaur, P., Singh, M., & Josan, G. S. (2022). Classification and prediction based data mining algorithms to predict slow learners in education sector. Procedia Computer Science, 57, 500–508. https://doi.org/10.1016/j.procs.2022.05.062

Mduma, N., Kalegele, K., & Machuve, D. (2022). Machine learning approaches for dropout prediction in higher education: A systematic review. International Journal of Advanced Computer Science and Applications, 13(4), 211–222. https://doi.org/10.14569/IJACSA.2022.0130426

Ogunde, A. O., Ajobiewe, T., & Akinode, J. L. (2021). A machine learning approach for predicting students' academic performance using data mining techniques. International Journal of Computer Science and Mobile Computing, 10(3), 27–40.

Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.

Universitas Asahan. (2024). Laporan data akademik mahasiswa tahun 2023/2024. Biro Administrasi Akademik, Universitas Asahan.

Wahid, A., Romadlon, F., & Mubarok, H. (2023). Implementasi machine learning untuk early warning system akademik di perguruan tinggi Indonesia. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(4), 876–885. https://doi.org/10.29207/resti.v7i4.4872

Wahyono, T., Riyadi, M. A., & Santoso, P. I. (2021). Prediksi indeks prestasi kumulatif mahasiswa menggunakan Random Forest: Studi kasus Universitas Gadjah Mada. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 10(3), 215–223. https://doi.org/10.22146/jnteti.v10i3.2138

Zulfikri, A., & Setiawan, E. (2022). Penerapan data mining untuk analisis prestasi akademik mahasiswa: Tinjauan sistematis literatur. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(2), 347–358. https://doi.org/10.25126/jtiik.2022922413