Prediksi Risiko Akademis Mahasiswa Fakultas Vokasi ITS Menggunakan Random Forest

Ananda, Lovinki Fitra (2024) Prediksi Risiko Akademis Mahasiswa Fakultas Vokasi ITS Menggunakan Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2043201112_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Mahasiswa dengan performa akademis yang buruk, bahkan hingga drop out akan berpengaruh pada akreditasi dan citra institusi. Hal tersebut dapat diantisipasi dengan cara menelusuri kondisi akademik mahasiswa sedini mungkin, khususnya pada mahasiswa yang menunjukkan penurunan performa. Penelitian ini bertujuan memberikan informasi mengenai faktor-faktor yang memengaruhi risiko akademis mahasiswa. Machine learning terbukti dapat menghasilkan model prediksi yang baik pada penelitian-penelitian sebelumnya. Pada penelitian ini, random forest digunakan untuk membentuk model prediksi, selanjutnya SHAP digunakan untuk mengetahui kontribusi masing-masing variabel terhadap model. Informasi yang didapatkan dari penelitian ini dapat digunakan sebagai pertimbangan dalam menentukan kebijakan yang tepat di lingkungan Fakultas Vokasi ITS. Model random forest yang terbentuk memiliki kemampuan prediksi dengan tingkat akurasi 96,4%, specificity mencapai 95%, dan nilai recall atau sensitivity sebesar 98%. Penanganan imbalanced data dapat meningkatkan kemampuan model dalam melakukan prediksi pada kelas minoritas, ditunjukkan dengan peningkatan nilai recall atau sensitivity dari 14,7% menjadi 98% setelah dilakukan SMOTE. Skor TPKA kuantitatif, diikuti oleh jenis kelamin dan jalur masuk memiliki kontribusi paling tinggi terhadap hasil prediksi model. Sebaliknya, fitur dengan kontribusi paling rendah adalah lama gap year, asal sekolah, dan golongan UKT.
=================================================================================
Quality of a tertiary education institution is often shown by the quality of its student. Numerous amounts of poorly performed students and even drop out students will affect accreditation and reputation of institution. Drop out students could be averted by tracking academic condition of students as early as possible, particularly in students who have shown a decreasing performance. This research is aimed to explore various aspects that might affect students’ academic risks. Random forest is used to shape prediction model, then SHAP is used to interpret contribution of each variable to the model. The result obtained from this research can be used as a recommendation to construct better policies in Faculty of Vocational Studies of Sepuluh Nopember Institute of Technology. Random forest model demonstrates predictive capability with accuracy rate of 96.4%, specificity of 95%, and recall or sensitivity value of 98%. Handling imbalanced data enhances the model's predictive capability for minority classes, as shown by an increase in recall or sensitivity from 14.7% to 98% after application of SMOTE. Quantitative score, gender, and admission type are identified as the primary contributors to the model's predictive outcomes, while gap year duration, school origin, and tuition rate contribute least.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Academic Risk, Machine Learning, Random Forest, SHAP, Student Performance, Risiko Akademis, SHAP, Performa Mahasiswa
Subjects:	H Social Sciences > HA Statistics H Social Sciences > HA Statistics > HA29 Theory and method of social science statistics
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Lovinki Fitra Ananda
Date Deposited:	26 Jul 2024 01:06
Last Modified:	26 Jul 2024 01:06
URI:	http://repository.its.ac.id/id/eprint/108548

Actions (login required)

View Item