Pengembangan Aplikasi Prediksi Kelulusan Mahasiswa Dengan Pendekatan Machine Learning

Gurukinayan, Nicklaus Natanael S (2026) Pengembangan Aplikasi Prediksi Kelulusan Mahasiswa Dengan Pendekatan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025221036-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Dalam menjalani perkuliahan di Institut Teknologi Sepuluh Nopember, evaluasi keberhasilan mahasiswa dilakukan pada tahap persiapan dan tahap sarjana. Evaluasi yang dilakukan berfokus pada kelayakan mahasiswa dalam mengikuti perkuliahan dan tidak pada ketepatan waktu lulus. Akibatnya, tidak ada langkah preventif yang diambil oleh pihak universitas untuk mencegah keterlambatan kelulusan mahasiswa. Tugas Akhir ini bertujuan untuk mengembangkan aplikasi yang dapat memprediksi kelulusan mahasiswa. Prediksi yang dilakukan akan menggunakan data historis mahasiswa untuk menentukan apakah mahasiswa akan lulus tepat waktu atau tidak. Penelitian-penelitian yang telah dilakukan sebelumnya menggunakan model prediksi berbasis machine learning untuk memprediksi nilai mata kuliah ataupun kelulusan mahasiswa pada jurusan atau lingkup yang berbeda. Penelitian-penelitian tersebut berhenti pada pengembangan model prediksi dan tidak mengembangkannya lebih lanjut. Akibatnya, model prediksi hanya bisa digunakan oleh pihak yang memahami machine learning dan tidak digunakan untuk melakukan intervensi dini pada mahasiswa yang berpotensi lulus terlambat. Aplikasi prediksi kelulusan ini akan menggunakan algoritma Random Forest, Naive Bayes, dan Support Vector Machine untuk model prediksinya. Dalam penelitian ini, akan dilakukan analisis terhadap performa masing-masing algoritma serta pengaruh penambahan fitur menggunakan feature engineering menggunakan matriks evaluasi (accuracy, precision, recall, F1-Score, dan ROC-AUC). Setelah performa semua model dievaluasi, akan dipilih model dengan performa terbaik untuk digunakan dalam pembangunan aplikasi web prediksi kelulusan. Hasil dari penelitian ini diharapkan dapat memberikan wawasan mengenai kemampuan prediksi masing-masing model prediksi dan pengaruh feature engineering terhadap performa model prediksi. Hasil Tugas Akhir menunjukkan ketiga algoritma yang digunakan memiliki performa yang tidak jauh berbeda. Model prediksi dengan performa terbaik diperoleh menggunakan algoritma Naive Bayes yang dilatih menggunakan data tanpa feature engineering dan diseimbangkan menggunakan SMOTE. Model tersebut memiliki accuracy 76,57%, precision 66,15%, recall 67,8%, F1-Score 66,75%, dan ROC-AUC 74,29%. Hal ini menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam melakukan prediksi kelulusan. Fitur yang ditambahkan pada dataset memiliki dampak yang minimal terhadap performa model prediksi. Aplikasi prediksi kelulusan yang telah dikembangkan juga telah diuji fungsionalitas dan dapat berjalan dengan baik. Aplikasi prediksi kelulusan mendapat skor SUS rata-rata 86,875 yang termasuk grade B dengan [NS3.1]adjective rating excellent dan termasuk acceptable, menunjukkan bahwa aplikasi prediksi kelulusan mudah dipahami dan pengguna dapat menggunakan aplikasi secara mandiri.
================================================================================================================================
During study at Sepuluh Nopember Institute of Technology, student success is evaluated at preparatory and undergraduate phases. These evaluations focus on student’s eligibility to continue study at the university rather than the timeliness of graduation. As a result, the university has not taken preventive measures to address delays in student graduation. This Final Project aims to develop an application that predicts student graduation. The prediction will use historical student data to determine whether a student will graduate on time or not. Previous studies used machine learning based prediction model to predict student’s course grade and student’s graduation on different major or scope. Those studies stopped at creating prediction model and not developed further. As a result, the prediction model can only be used those who understands machine learning. This graduation prediction application will use Random Forest, Naive Bayes, and Support Vector Machine algorithms for its prediction model. In this study, an analysis will be conducted on the performance of each algorithm and the effect of feature creation using feature engineering using an evaluation matrix (accuracy, precision, recall, F1-Score, and ROC-AUC). After evaluating the performance of all models, the model with the best performance will be selected for use in developing a graduation prediction web application. The result of this research are expected to provide insights into the predictive capabilities of each prediction model and the effect of feature engineering on the performance of prediction models. The Final Project’s result shows that the three algorithms used perform similarly. The prediction model with the best performance was obtained using Naive Bayes algorithm which was trained on dataset without feature engineering and balanced using SMOTE. This model achieved an accuracy of 76,57%, precision of 66,15%, recall of 67,8%, F1-Score of 66,75%, and ROC-AUC of 74,29%. This indicates that the model is capable of predicting graduation outcomes. The features added through feature engineering to the dataset had minimal impact on the prediction model’s performance. The graduation prediction application has been developed and had its functionality tested. The graduation prediction application also got the mean SUS score of 86,875 which is considered grade B with excellent adjective rating and is acceptable, showing that the graduation prediction application is easily understandable and user can use the application independently.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Machine Learning, Random Forest, Naive Bayes, Support Vector Machine, Prediksi Kelulusan, Machine Learning, Random Forest, Naive Bayes, Support Vector Machine, Graduation Prediction.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.888 Web sites--Design. Web site development.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Nicklaus Natanael S Gurukinayan
Date Deposited:	28 Jul 2026 01:18
Last Modified:	28 Jul 2026 01:18
URI:	http://repository.its.ac.id/id/eprint/138203

Actions (login required)

View Item