Prediksi Mahasiswa Drop Out Institut Teknologi Sepuluh Nopember Menggunakan XGBoost dan SHAP Values Berbasis Dashboard Interaktif

Winarso, Raihan Adam Handoyo (2024) Prediksi Mahasiswa Drop Out Institut Teknologi Sepuluh Nopember Menggunakan XGBoost dan SHAP Values Berbasis Dashboard Interaktif. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2043201049-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (2MB) | Request a copy

Abstract

Peran mahasiswa menjadi aspek penting dalam menentukan keberhasilan penyelenggaraan pendidikan. Namun, tidak semua mahasiswa dapat menyelesaikan studi tepat waktu sesuai dengan yang direncanakan, hingga terancam drop out. Drop out atau pemberhentian status mahasiswa adalah proses pencabutan status kemahasiswaan, yang disebabkan oleh hal-hal tertentu atau sudah ditentukan oleh perguruan tinggi yang bersangkutan. Fenomena ini menjadi tantangan bagi institusi, yang harus ditemukan solusinya, karena drop out menimbulkan kerugian signifikan baik pada mahasiswa maupun institusi. Langkah preventif untuk memprediksi mahasiswa yang berpotensi drop out dilakukan dengan menggunakan teknik klasifikasi menggunakan XGBoost dan SHAP Values. XGBoost adalah algoritma klasifikasi yang menggunakan teknik boosting, yaitu langkah berulang untuk memperkuat performa model klasifikasi lemah hingga akhirnya menjadi model yang lebih kuat. Setelah model XGBoost terbentuk, interpretasi dilakukan dengan melihat rata-rata kontribusi setiap variabel menggunakan SHAP Values. Hasil penelitian ini menunjukkan bahwa semester yang sudah dijalani, IPK persiapan, dan IPK mahasiswa memiliki kontribusi besar dalam menentukan status mahasiswa sebagai drop out atau tidak drop out. Model XGBoost yang terbentuk memberikan kebaikan model dengan akurasi sebesar 100%, sensitivitas sebesar 100%, dan spesifisitas sebesar 100%. Dashboard prediksi mahasiswa drop out atau tidak drop out memiliki 4 menu yaitu menu dashboard untuk melihat karakteristik dari mahasiswa ketika data imbalance dan balance, menu kedua yaitu data mahasiswa untuk menampilkan data mahasiswa secara keseluruhan, menu ketiga yaitu prediksi untuk melakukan prediksi dengan cara input variabel yang diduga memengaruhi status mahasiswa, dan yang terakhir adalah kontribusi variabel untuk melihat besar kontribusi variabel yang digunakan dalam memprediksi status mahasiswa.
=================================================================================================================================
The role of students is an important aspect in determining the success of educational provision. However, not all students can complete their studies on time as planned, so they are threatened with dropping out. Drop out or termination of student status is the process of revoking student status, which is caused by certain reasons or has been determined by the university concerned. This phenomenon is a challenge for institutions, which must find a solution, because dropping out causes significant losses to both students and institutions. Preventive steps to predict students who have the potential to drop out are carried out using classification techniques using XGBoost and SHAP Values. XGBoost is a classification algorithm that uses a boosting technique, namely repeated steps to strengthen the performance of a weak classification model until it finally becomes a stronger model. After the XGBoost model is formed, interpretation is carried out by looking at the average contribution of each variable using SHAP Values. The results of this research show that the semester that has been completed, the preparatory GPA, and the student's GPA have a major contribution in determining a student's status as a dropout or not. The XGBoost model formed provides a good model with an accuracy of 100%, sensitivity of 100%, and specificity of 100%. The dashboard predicting whether students will drop out or not drop out has 4 menus, namely the dashboard menu to see the characteristics of students when the data is imbalanced and balanced, the second menu is student data to display overall student data, the third menu is prediction to make predictions by inputting the specified variables. is thought to influence student status, and the last is variable contribution to see the contribution of the variables used in predicting student status.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Dashboard, Drop Out, SHAP Values, XGBoost
Subjects:	A General Works > AI Indexes (General) A General Works > AI Indexes (General) T Technology > T Technology (General) T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models. T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Raihan Adam Handoyo Winarso
Date Deposited:	01 Feb 2024 07:40
Last Modified:	01 Feb 2024 07:40
URI:	http://repository.its.ac.id/id/eprint/105897

Actions (login required)

View Item