Prediksi dan Analisis Faktor Putus Studi Mahasiswa dengan Machine Learning pada Perguruan Tinggi Swasta

Abstract

Putus studi mahasiswa masih menjadi salah satu permasalahan yang dihadapi oleh perguruan tinggi swasta karena dapat mempengaruhi kualitas akademik dan keberlangsungan institusi. Risiko putus studi mahasiswa perlu dideteksi sejak awal agar intervensi akademik dapat dilakukan secara lebih cepat dan tepat. Penelitian ini menggunakan pendekatan Educational Data Mining untuk memprediksi putus studi mahasiswa serta mengidentifikasi faktor-faktor yang berkontribusi terhadap risiko putus studi. Data penelitian diperoleh dari sistem informasi akademik pada salah satu perguruan tinggi swasta di Jawa Timur dengan total sebanyak 4.730 data mahasiswa. Variabel yang digunakan meliputi Indeks Prestasi Semester 1 (IPS1), Indeks Prestasi Semester 2 (IPS2), jumlah SKS yang diambil, frekuensi cuti, dan tren IPS. Penelitian menggunakan dua algoritma klasifikasi, yaitu Decision Tree dan Logistic Regression. Hasil penelitian menunjukkan bahwa model Decision Tree menghasilkan performa yang lebih baik dibandingkan Logistic Regression dengan tingkat accuracy sebesar 76,56% dan recall sebesar 82% dalam mendeteksi mahasiswa putus studi, sedangkan Logistic Regression menghasilkan accuracy sebesar 64,52% dengan recall sebesar 73%. Hasil analisis feature importancemenunjukkan bahwa jumlah SKS dan IPS semester pertama merupakan faktor yang paling dominan dalam klasifikasi putus studi, sedangkan tren IPS memberikan kontribusi tambahan yang relatif lebih kecil. Temuan penelitian menunjukkan bahwa data akademik awal mahasiswa dapat dimanfaatkan untuk mendukung sistem early warning dalam mengidentifikasi mahasiswa berisiko putus studi secara lebih dini. Kata kunci: putus studi, educational data mining, decision tree, logistic regression, prediksi mahasiswa