Implementasi Algoritma Long Short-term Memory Pada Sistem Klasifikasi Mahasiswa Berpotensi Drop Out
Year: 2025
Type: article
Abstract: Penelitian ini bertujuan untuk menghasilkan sebuah sistem klasifikasi mahasiswa yang berpotensi drop out. Sistem klasifikasi ini diharapkan dapat membantu mengidentifikasi mahasiswa yang berpotensi drop out sejak dini dalam upaya pencegahan. Penelitian ini menggunakan data akademik berupa nilai Indeks Prestasi Semester (IPS) 1-7, Indeks Prestasi Kumulatif Semester 7 (IPKS7), dan SKS7, serta data non akademik yang meliputi Program Studi dan Jalur Masuk sebagai parameter klasifikasi. Metode yang digunakan adalah algoritma Long Short-Term Memory (LSTM) dengan pengembangan sistem menggunakan pendekatan CRISP-DM. Pengujian sistem dilakukan menggunakan metode black box testing dan evaluasi performa menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa sistem klasifikasi yang dikembangkan mencapai tingkat akurasi 93% berdasarkan evaluasi confusion matrix, dan seluruh fungsionalitas sistem berjalan sesuai yang diharapkan berdasarkan hasil black box testing.
Authors: Niken Mutiara, La Ode Saidi, Budi Wijaya Rauf
Institution: Universitas Halu Oleo
Language: Indonesian
Subfield: Computer Science Applications
Field: Computer Science
Domain: Physical Sciences
SDG: Quality education
Open Access status: hybrid
OpenAlex ID: W4412962092