Roy, Marcello (2025) Prediksi Keberhasilan Akademik Mahasiswa Berdasarkan Kehadiran. MBKM thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (766kB) |
![]() |
PDF
BAB_I.pdf Download (503kB) |
![]() |
PDF
BAB_II.pdf Download (1MB) |
![]() |
PDF
BAB_III.pdf Download (785kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (11MB) |
![]() |
PDF
BAB_V.pdf Download (253kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (250kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (11MB) |
![]() |
PDF
LEMBAR_PENGESAHAN.pdf Download (53kB) |
Abstract
Keberhasilan akademik mahasiswa merupakan indikator krusial dalam mengevaluasi efektivitas pembelajaran di perguruan tinggi. Namun, pemanfaatan data akademik dan kehadiran secara optimal untuk memprediksi capaian mahasiswa secara dini masih menjadi tantangan. Oleh karena itu, penelitian ini bertujuan membangun model prediksi Indeks Prestasi Kumulatif (IPK) mahasiswa berbasis machine learning, dengan mempertimbangkan nilai akademik, kehadiran, dan jumlah mata kuliah yang diambil. Dataset yang digunakan terdiri atas data historis akademik mahasiswa Universitas Multimedia Nusantara periode 20192024 sebanyak 961 entri dan data tambahan hasil survei daring sebanyak 66 entri. Penelitian ini menggunakan pendekatan kuantitatif dengan menerapkan empat algoritma: Random Forest, XGBoost, Artificial Neural Network, dan Long Short-Term Memory. Proses tuning dilakukan menggunakan Optuna untuk Random Forest dan XGBoost, serta Hyperband untuk ANN dan LSTM. Evaluasi kinerja model dilakukan dengan metrik MAE, RMSE, MAPE, dan koefisien determinasi (R²). Hasil menunjukkan bahwa model XGBoost (Optuna) memiliki performa keseluruhan terbaik dengan R² sebesar 0,8456 dan RMSE sebesar 0,1239. Model LSTM (Hyperband) mencatat MAE terendah sebesar 0,0743 dan MAPE terkecil sebesar 2,25%. Sementara itu, ANN (Hyperband) memperoleh R² sebesar 0,8642 dan Random Forest (Base) mencatat R² sebesar 0,8420. Model terbaik kemudian diimplementasikan dalam aplikasi web berbasis Streamlit untuk prediksi IPK secara interaktif dan real-time. Hasil penelitian ini menyimpulkan bahwa kehadiran mahasiswa memiliki kontribusi sebesar 84,6% terhadap pencapaian performa akademik. Rekomendasi untuk penelitian selanjutnya adalah memasukkan variabel eksternal seperti latar belakang ekonomi, kondisi psikologis, dan aktivitas non-akademik mahasiswa, serta memperluas skala data agar model lebih generalis dan dapat digunakan lintas institusi.
Item Type: | Thesis (MBKM) |
---|---|
Keywords: | Evaluasi Akademik, Kehadiran Mahasiswa, Machine Learning, Prediksi IPK, XGBoost |
Subjects: | ?? T70 ?? |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 31 Jul 2025 13:02 |
Last Modified: | 31 Jul 2025 13:02 |
URI: | https://kc.umn.ac.id/id/eprint/39553 |
Actions (login required)
![]() |
View Item |