Analisis Generalisasi Temporal dan Degradasi Performa pada Model Komparatif Ensemble vs. Deep Learning untuk Prediksi Kinerja Akademik Mahasiswa

Kynan Khalfani, Muhammad (2026) Analisis Generalisasi Temporal dan Degradasi Performa pada Model Komparatif Ensemble vs. Deep Learning untuk Prediksi Kinerja Akademik Mahasiswa. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (818kB)
	PDF BAB_I.pdf Download (385kB)
	PDF BAB_II.pdf Download (487kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (636kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (313kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (247kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (863kB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (52kB)

Abstract

Akurasi statis dalam sistem peringatan dini akademik sering kali memicu ilusi prediktif akibat pengabaian risiko tata kelola model. Penelitian ini bertujuan mengembangan dan memvalidasi secara internal keandalan model komparatif Ensemble (Random Forest) versus Deep Learning (FNN dan BiLSTM) menggunakan variabel eksternal sosiokultural berbasis Teori Sistem Ekologis. Data primer dihimpun dari 31 Agustus hingga 28 September 2025 meliputi area variabel demografi, finansial, lingkungan fisik, dan hobi mahasiswa. Evaluasi teknik clean-margin target reformulation pada 169 responden mahasiswa Sistem Informasi Universitas Multimedia Nusantara menghasilkan populasi bersih sebanyak 131 sampel jalur Ensemble dan 136 sampel jalur Deep Learning. Hasil eksperimen menunjukkan adanya fenomena data signal ceiling di rentang akurasi 65%�68%, dengan performa diskriminasi berimbang tertinggi diraih FNN (MCC=0,4025; ROC- AUC=0,795; PR-AUC=0,812). Rumpun Deep Learning rentan terhadap degradasi performance drift linear akibat kendala data kecil dan isolat lokasional tunggal. Namun, penelitian ini bermanfaat memberikan rekomendasi tata kelola operasional melalui Risk Governance Funnel berbasis entropi biner. Kesimpulannya, integrasi peta ketidakpastian berbasis kerangka kerja NIST AI RMF mutlak diperlukan untuk memisahkan otomatisasi sistem dari intervensi manual Human-in-the-Loop..

Item Type:	Technical Report (Pro-Step Report)
Creators:	Kynan Khalfani, Muhammad (00000088284)
Contributors:	Prasetiawan, Iwan (0312046501)
Keywords:	Clean-margin target, Data signal ceiling, Model komparatif, Performance drift, Validasi internal
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	14 Sep 2026 14:56
URI:	https://kc.umn.ac.id/id/eprint/49429

Actions (login required)

View Item