Analisis Komparasi Algoritma Machine Learning dalam Prediksi Performa Akademik Mahasiswa: Literature Review
DOI:
https://doi.org/10.54082/jiki.212Kata Kunci:
Deep Learning, Machine Learning, Naïve Bayes, Random Forest, Support Vector MachineAbstrak
Perkembangan teknologi dan data dalam bidang pendidikan membuka peluang baru untuk memahami dan memprediksi performa akademik mahasiswa. Literatur ini mengkaji efektivitas berbagai algoritma machine learning, seperti Support Vector Machine (SVM), Random Forest, Naïve Bayes, dan Deep Learning, dalam memprediksi performa akademik mahasiswa berdasarkan atribut seperti nilai akademik, kehadiran, serta interaksi dalam platform pembelajaran. Hasil analisis menunjukkan bahwa SVM mencatat akurasi tertinggi hingga 94,4% pada dataset dengan margin data yang jelas, sementara Random Forest unggul dalam menangani dataset besar dan kompleks dengan akurasi konsisten sebesar 85%. Naïve Bayes, dengan kesederhanaannya, mencapai akurasi 87,6% untuk dataset dengan atribut independen, sedangkan Deep Learning menunjukkan potensi untuk dataset besar namun terbatas pada akurasi 72,84% karena keterbatasan data. Penelitian ini menekankan pentingnya pemrosesan data yang lebih baik serta penggunaan algoritma yang sesuai untuk meningkatkan kualitas pembelajaran berbasis data. Implementasi machine learning memungkinkan intervensi dini untuk mendukung keberhasilan akademik mahasiswa, meskipun tantangan seperti kualitas data dan kebutuhan sumber daya komputasi tetap menjadi perhatian utama. Penelitian ini dapat mendukung pengembangan sistem pembelajaran berbasis data di perguruan tinggi, memungkinkan pengambilan keputusan berbasis data yang lebih efektif untuk meningkatkan kualitas pendidikan dan hasil akademik mahasiswa.
Referensi
L. R. Pelima, Y. Sukmana, and Y. Rosmansyah, “Predicting University Student Graduation Using Academic Performance and Machine Learning: A Systematic Literature Review,” IEEE Access, vol. 12, pp. 23451–23465, 2024, doi: 10.1109/ACCESS.2024.3361479.
B. Sravani and M. M. Bala, “Prediction of Student Performance Using Linear Regression,” in 2020 International Conference for Emerging Technology (INCET), Belgaum, India: IEEE, Jun. 2020. doi: 10.1109/incet49848.2020.9154067.
E. Miranda, M. Aryuni, M. I. Rahmawati, S. E. Hiererra, and A. V. Dian Sano, “Machine learning’s model-agnostic interpretability on the prediction of students’ academic performance in video-conference-assisted online learning during the covid-19 pandemic,” Computers and Education: Artificial Intelligence, vol. 7, p. 100312, Dec. 2024, doi: 10.1016/j.caeai.2024.100312.
A. Alfahid, “Algorithmic Prediction of Students On-Time Graduation from the University,” TEM Journal, pp. 692–698, Feb. 2024, doi: 10.18421/TEM131-72.
E. Haryatmi and S. Pramita Hervianti, “Penerapan Algoritma Support Vector Machine Untuk Model Prediksi Kelulusan Mahasiswa Tepat Waktu,” RESTI, vol. 5, no. 2, Art. no. 2, Apr. 2021, doi: 10.29207/resti.v5i2.3007.
B. Albreiki, N. Zaki, and H. Alashwal, “A Systematic Literature Review of Student’ Performance Prediction Using Machine Learning Techniques,” Education Sciences, vol. 11, no. 9, p. 552, Sep. 2021, doi: 10.3390/educsci11090552.
N. A. Butt, Z. Mahmood, K. Shakeel, S. Alfarhood, M. Safran, and I. Ashraf, “Performance Prediction of Students in Higher Education Using Multi-Model Ensemble Approach,” IEEE Access, vol. 11, pp. 136091–136108, 2023, doi: 10.1109/ACCESS.2023.3336987.
S. Linawati, S. Nurdiani, K. Handayani, and L. Latifah, “PREDIKSI PRESTASI AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN C4.5,” JKI, vol. 8, no. 1, Jun. 2020, doi: 10.31294/jki.v8i1.7827.
I. G. I. Suardika, “PREDIKSI TINGKAT KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN NAIVE BAYES: STUDI KASUS FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS PENDIDIKAN NASIONAL,” JIK, vol. 4, no. 2, pp. 37–44, Sep. 2019, doi: 10.23887/jik.v4i2.2775.
S. Chen and Y. Ding, “A Machine Learning Approach to Predicting Academic Performance in Pennsylvania’s Schools,” Social Sciences, vol. 12, no. 3, Art. no. 3, Feb. 2023, doi: 10.3390/socsci12030118.
F. Indra Kusuma Budiyanto, I. Hermadi, and M. K. D. Hardhienata, “Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning,” JIKA, vol. 11, no. 1, Art. no. 1, May 2024, doi: 10.29244/jika.11.1.39-49.
Y. T. Badal and R. K. Sungkur, “Predictive modelling and analytics of students’ grades using machine learning algorithms,” Educ Inf Technol, vol. 28, no. 3, Art. no. 3, Mar. 2023, doi: 10.1007/s10639-022-11299-8.
M. Martanto, I. Ali, and M. Mulyawan, “Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Machine Learning dengan Teknik Deep Learning,” JPIT, vol. 4, no. 2–2, Art. no. 2–2, Dec. 2019, doi: 10.30591/jpit.v4i2-2.1877.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Abdur Rahman Azis
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
