Prediksi Risiko Putus Sekolah Menggunakan Long Short-Term Memory Berdasarkan Data Prestasi Akademik

Abstrak

Putus sekolah mahasiswa merupakan isu kritis yang memengaruhi kualitas akademik dan kinerja institusi di pendidikan tinggi. Perilaku putus sekolah biasanya muncul secara bertahap melalui penurunan kinerja akademik dari semester ke semester. Oleh karena itu, pemodelan deret waktu sangat penting untuk menangkap pola temporal tersebut. Studi ini mengusulkan model Long Short-Term Memory (LSTM) untuk memprediksi risiko putus sekolah mahasiswa berdasarkan data akademik per semester. Dataset terdiri dari 385 mahasiswa sarjana dari program Ilmu Komputer, FMIPA, yang diwakili oleh Indeks Prestasi Kumulatif (IPK) dan beban kredit (SKS) selama delapan semester. Status mahasiswa diubah menjadi label biner: putus sekolah dan tidak putus sekolah. Untuk mengatasi ketidakseimbangan kelas, Synthetic Minority Over-sampling Technique (SMOTE) diterapkan. Hasil eksperimen menunjukkan bahwa model LSTM yang diusulkan mencapai recall 1,00 untuk kelas putus sekolah, menunjukkan bahwa semua kasus putus sekolah berhasil dideteksi. Meskipun presisi tetap relatif rendah karena false positive, model ini menunjukkan potensi yang kuat sebagai dasar untuk pemantauan akademik dan sistem intervensi dini.