SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN TEPAT WAKTU MENGGUNAKAN ALGORITMA XGBOOST
DECISION SUPPORT SYSTEM FOR PREDICTING GRADUATION ON TIME USING THE XGBOOST ALGORITHM
Kemajuan kualitas perguruan tinggi memiliki peran krusial dalam kemajuan bangsa dengan membantu mendukung dan menggali potensi mahasiswa sebelum memasuki dunia profesional. Evaluasi berkala dilakukan untuk meningkatkan hasil belajar dan mendorong kelulusan tepat waktu bagi mahasiswa. Tingkat kelulusan yang tepat waktu menjadi indikator kualitas perguruan tinggi dan penilaian akreditasi kampus. Namun, implementasinya masih kurang dalam mengantisipasi hambatan yang mungkin dihadapi oleh mahasiswa selama proses pembelajaran. Kurangnya antisipasi dan evaluasi dapat menyebabkan rendahnya angka indeks prestasi dan keterlambatan kelulusan. Berdasarkan data PDDIKTI 2019, terdapat penurunan sekitar 37% dalam jumlah mahasiswa yang lulus dibandingkan dengan jumlah mahasiswa baru. Oleh karena itu, penelitian ini menggunakan algoritma XGBoost untuk memprediksi kelulusan mahasiswa dan mengidentifikasi potensi masalah sejak dini. Data akademik mahasiswa diolah menggunakan algoritma XGBoost ix untuk menghasilkan pola prediksi. Penelitian ini bertujuan membantu dalam pengembangan sistem pendukung keputusan yang meningkatkan mutu pendidikan dan sumber daya manusia di bidang akademik dengan memanfaatkan dataset pada prodi sistem informasi di Universitas Negeri Surabaya. Penelitian ini menggunakan algoritma XGBoost untuk memprediksi status kelulusan mahasiswa dan mengetahui korelasi variabel dependen dan independent. Hasilnya mencakup akurasi model sebesar 92.52% dengan data 312 mahasiswa program studi sistem informasi di Universitas Surabaya. Variabel independen yang mempengaruhi status kelulusan adalah mengulang matakuliah (korelasi 0.786), total SKS (0.610), cuti (0.444), dan variabel lainnya. Implementasi model prediksi dilakukan dengan membangun website menggunakan webserver flask ngrok untuk memprediksi status kelulusan dengan cara mengupload file ke website. Algoritma decision tree memiliki dua skenario percabangan berdasarkan indeks y dari dataset, dengan akurasi sebesar 75.95%.
The advancement of the quality of higher education plays a crucial role in a nation's progress by supporting and harnessing students' potential before entering the professional world. Periodic evaluations are conducted to enhance learning outcomes and encourage timely graduation for students. On-time graduation serves as a benchmark for the quality of higher education and accreditation assessment. However, its implementation falls short in anticipating potential obstacles that students may face during the learning process. The lack of anticipation and evaluation can result in low academic performance and delayed graduation. Based on PDDIKTI 2019 data, there was a decrease of approximately 37% in the number of graduating students compared to new students. Therefore, this research utilizes the XGBoost algorithm to predict student graduation and identify potential issues early on. Academic data is processed using XGBoost to generate predictive patterns. xi This study aims to assist in developing a decision support system that improves the quality of education and human resources in the academic field, utilizing the dataset from the Information Systems program at Universitas Negeri Surabaya. The research employs the XGBoost algorithm to predict students' graduation status and identify correlations between dependent and independent variables. The results include a model accuracy of 92.52% using data from 312 students in the Information Systems program at Universitas Surabaya. Independent variables influencing graduation status include course repetitions (correlation of 0.786), total credits (0.610), leaves of absence (0.444), and others. The predictive model is implemented through a website built using Flask ngrok web server, enabling file uploads for graduation status prediction. The decision tree algorithm presents two branching scenarios based on the dataset's y-index, achieving an accuracy of 75.95%.