OPTIMISASI KESUKSESAN AKADEMIS: STUDI SISTEM DETEKSI DINI UNTUK MENGIDENTIFIKASI POTENSI DROPOUT MAHASISWA TINGKAT AKHIR DENGAN PROTOKOL INTERVENSI CEPAT PADA PERGURUAN TINGGI
DOI:
https://doi.org/10.30787/restia.v2i1.1424Keywords:
Sistem Deteksi Dini, Dropout Mahasiswa Tingkat Akhir, Kesuksesan Akademis, Machine Learning, Regresi Logistik, Antarmuka Pengguna, Evaluasi Kinerja, Pencegahan Dropout, Pendidikan TinggiAbstract
Penelitian ini bertujuan mengoptimalkan kesuksesan akademis dengan mengembangkan sistem deteksi dini guna mengidentifikasi potensi mahasiswa tingkat akhir yang berisiko dropout. Penelitian berfokus pada perancangan sistem yang mampu memberikan peringatan kepada pembimbing akademik atau bagian akademik kampus untuk segera melakukan mitigasi pencegahan, dengan tujuan mengurangi potensi mahasiswa drop out lebih banyak.
Metodologi penelitian dimulai dengan analisis faktor dropout melibatkan tinjauan literatur, wawancara, dan studi kasus. Selanjutnya, model prediktif dikembangkan menggunakan metode machine learning, seperti regresi logistik, dengan memanfaatkan data akademik dan perilaku studi mahasiswa. Implementasi sistem deteksi dilakukan dengan menyusun antarmuka pengguna yang user-friendly dan integrasi yang baik dengan sistem informasi kampus.
Hasil penelitian ini menunjukkan bahwa model prediktif yang dikembangkan mampu mengidentifikasi mahasiswa tingkat akhir yang berpotensi dropout dengan akurasi yang tinggi. Sistem deteksi memberikan peringatan dini kepada pembimbing akademik atau bagian akademik kampus, memungkinkan mereka untuk mengambil langkah-langkah pencegahan dan memberikan bantuan tepat waktu. Evaluasi kinerja sistem menunjukkan efektivitasnya dalam meningkatkan kesadaran dan respon terhadap potensi mahasiswa drop out, dengan harapan dapat memberikan kontribusi positif terhadap peningkatan tingkat kelulusan dan kualitas pendidikan tinggi secara keseluruhan.
References
Kelli A. Bird, Benjamin L. Castleman, Zachary Mabel, and Yifeng Song. 2021. Bringing Transparency to Predictive Analytics: A Systematic Comparison of Predictive Modeling Methods in Higher Education. AERA Open 7 (2021). https://doi.org/10.1177/23328584211037630[
Michael Geoffrey Brown, R. Matthew DeMonbrun, Steven Lonn, Stephen J.Aguilar, and Stephanie D. Teasley. 2016. What and when: the role of course type and timing in students’ academic performance. In Proceedings of the Sixth International Conference on Learning Analytics & Knowledge. 459–468. https://doi.org/10.1145/2883851.2883907
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Ismail Setiawan, Kresno Ario Tri Wibowo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.