Analisis Perbandingan Algoritma Machine Learning Dalam Prediksi Akademik Mahasiswa Berbasis Data

Abstract

Tingginya angka kegagalan akademik merupakan salah satu indikator signifikan yang memengaruhi kualitas dan akreditasi institusi perguruan tinggi. Penelitian ini bertujuan untuk menganalisis perbandingan algoritma Machine Learning dalam memprediksi performa akademik dan merumuskan strategi cara mengatasi mahasiswa yang teridentifikasi berisiko gagal. Metode penelitian yang digunakan yaitu Systematic Literature Review (SLR) terhadap literatur yang dipublikasikan antara tahun 2019-2025. Hasil analisis menunjukan bahwa algoritma Decision Tree (C4.5) merupakan model paling optimal untuk pengelompokkan risiko dengan tingkat akurasi mencapai hingga 97.80% yang mampu menangani dalam data administratif yang bersifat kategorikal. Sementara itu, analisis regresi linear menunjukkan adanya korelasi linear yang kuat antara perilaku belajar mahasiswa dengan capaian akademik, variabel presensi juga memberikan kontribusi sebesar 94% (R² = 0,94) terhadap akurasi prediksi. Tidak hanya itu temuan lain mengungkapkan bahwa integrasi data real time dari Learning Management System (LMS) secara signifikan dapat meningkatkan presisi pada model dibandingkan dengan penggunaan data historis statis. Simpulan penelitian ini menegaskan bahwa penerapan hasil prediksi melalui Early Warning System yang diintegrasikan dengan bimbingan akademik intensif oleh Dosen Pembimbing Akademik (DPA) merupakan solusi efektif untuk menekan angka kegagalan studi secara dini dan objektif.