PENGEMBANGAN MODEL PREDIKSI PERFORMA AKADEMIK CALON MAHASISWA MENGGUNAKAN PENDEKATAN STACKING ENSEMBLE LEARNING (Studi Kasus: Universitas Slamet Riyadi)

SWASTIKAWATI, CLAUDIA (2025) PENGEMBANGAN MODEL PREDIKSI PERFORMA AKADEMIK CALON MAHASISWA MENGGUNAKAN PENDEKATAN STACKING ENSEMBLE LEARNING (Studi Kasus: Universitas Slamet Riyadi). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 23.55.2506 CLAUDIA SWASTIKAWATI.pdf - Published Version Download (7MB)

Abstract

Penelitian ini berjudul Pengembangan Model Prediksi Performa Akademik Calon Mahasiswa Menggunakan Pendekatan Stacking Ensemble Learning. Penelitian ini bertujuan mengembangkan model prediksi performa akademik calon mahasiswa sejak tahap penerimaan dengan memanfaatkan data historis pendaftaran. Variabel penelitian dibatasi pada fitur akademik, meta-features, sosioekonomi, dan demografi yang bersumber dari data Penerimaan Mahasiswa Baru (PMB) dan PDDikti Universitas Slamet Riyadi. Metode yang digunakan adalah pembelajaran mesin dengan pendekatan stacking ensemble learning, menggunakan Random Forest, Support Vector Machine, dan K-Nearest Neighbors sebagai model dasar, serta XGBoost sebagai meta-model. Untuk mengatasi ketidakseimbangan kelas pada klasifikasi multikelas, diterapkan teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa model stacking ensemble memberikan performa prediksi yang lebih stabil dan unggul dibandingkan model tunggal maupun kombinasi dua model dasar. Kombinasi tiga model dasar menghasilkan kinerja terbaik berdasarkan metrik akurasi, presisi, recall, F1-score, dan AUCROC. Berdasarkan analisis feature importance pada meta-model, fitur akademik menjadi kontributor dominan dengan persentase antara 47-50%, diikuti oleh metafeatures sebesar 17-21%, fitur sosioekonomi sebesar 18-20%, dan fitur demografi sebesar 12-14%. Temuan ini menunjukkan bahwa indikator akademik awal dan keluaran prediktif dari model dasar memiliki peran utama dalam memetakan performa akademik mahasiswa sejak tahap pendaftaran. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan stacking ensemble learning efektif dalam membangun model prediksi performa akademik calon mahasiswa secara multikelas. Model yang dikembangkan mampu melakukan generalisasi dengan baik serta merepresentasikan kondisi kelulusan aktual mahasiswa, sehingga berpotensi digunakan sebagai sistem pendukung keputusan dalam seleksi penerimaan mahasiswa baru dan perencanaan pembinaan akademik berbasis data.

Actions (login required)

View Item