Pengembangan dan Validasi Internal Model FNN dan LSTM untuk Prediksi IPK Mahasiswa Berdasarkan Faktor Eksternal

Zulmi, Rayhandi (2026) Pengembangan dan Validasi Internal Model FNN dan LSTM untuk Prediksi IPK Mahasiswa Berdasarkan Faktor Eksternal. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (651kB)
	PDF BAB_I.pdf Download (262kB)
	PDF BAB_II.pdf Download (316kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (546kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (300kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (221kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (8MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (52kB)

Abstract

Institusi pendidikan tinggi dihadapkan pada tantangan mengidentifikasi dini risiko penurunan akademik sebelum dampaknya bersifat permanen. Penelitian ini mengeksplorasi efektivitas algoritma Feedforward Neural Network (FNN) dan Long Short-Term Memory (LSTM) untuk memprediksi capaian Indeks Prestasi Kumulatif (IPK) berdasarkan data survei 169 responden mahasiswa. Dataset diolah menggunakan Pruned Binary Classification dengan menghapus zona ambigu (IPK 3,50�3,67) guna mendefinisikan dua kelas absolut: kinerja rendah/Non-CumLaude (IPK < 3,50) dan kinerja tinggi/CumLaude (IPK 3,67). Model ditenagai 40 faktor eksternal mencakup pembiayaan finansial, dinamika keluarga, riwayat akademik dasar, beban pekerjaan, kesehatan psikososial, intensitas organisasi, ketersediaan fasilitas, serta demografi. Eksperimen FNN menunjukkan fenomena Signal Ceiling, di mana akurasi stagnan di 66,96% meskipun hyperparameter telah divariasikan. Sebagai solusi, metode Sekuens Tematik diterapkan pada LSTM dengan menstrukturkan 40 fitur menjadi matriks temporal berbasis kedekatan domain. Validasi Governance Cross-Validation Engine membuktikan arsitektur BiLSTM + Attention melampaui FNN dengan capaian diskriminasi solid: Akurasi 71,43%, F1- Macro 0,6789, ROC-AUC 0,695, PR-AUC stabil, serta Matthews Correlation Coefficient (MCC) 0,65. Keterbatasan penelitian ini meliputi ukuran sampel kecil, rentan bias laporan mandiri, dan pengecualian riwayat nilai murni. Namun, manfaat utamanya adalah tersedianya arsitektur prediktif tervalidasi internal bagi institusi untuk mengimplementasikan Early Warning System berbasis gaya hidup, guna memfasilitasi intervensi preventif sejak dini sebelum memasuki status kritis.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Zulmi, Rayhandi (00000103940)
Contributors:	Prasetiawan, Iwan (0312046501)
Keywords:	Deep Learning, Faktor Eksternal, FNN, Kinerja Akademik, LSTM, Signal.
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 14:57
URI:	https://kc.umn.ac.id/id/eprint/49434

Actions (login required)

View Item