Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Peningkatan Algoritma Pembelajaran Mesin Menggunakan Recursive Feature Elimination untuk Prediksi Kinerja Mahasiswa

Rektorat UDINUS 2024 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2024
Tujuan
Nomor
4ac16d66-6647-420f-a8d6-e6d68c0b6f53
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan kegiatan mengenai peningkatan algoritma pembelajaran mesin melalui recursive feature elimination untuk prediksi kinerja mahasiswa. Kegiatan ini melibatkan peneliti dari UDINUS, yaitu Wijiyanto, Aris Marjuni, Ahmad Zainul Fanani, dan Ruri Suko Basuki. Kegiatan tersebut membahas sistem prediksi kinerja mahasiswa di institusi pendidikan tinggi serta pentingnya sistem tersebut dalam meningkatkan hasil pendidikan.

Kegiatan ini menggunakan konteks big data yang dapat bersumber dari berbagai saluran pendidikan, termasuk pusat ujian, sistem akademik, departemen pendaftaran, dan platform pembelajaran elektronik. Sumber menjelaskan bahwa ekstraksi wawasan yang bermakna dari data pendidikan merupakan tantangan. Untuk menanggapi tantangan tersebut, kegiatan ini menerapkan reduksi dimensi data. UDINUS memperkenalkan algoritma recursive feature elimination yang ditingkatkan sebagai teknik seleksi fitur berbasis wrapper untuk tugas prediksi yang dijelaskan.

Pendekatan recursive feature elimination yang diusulkan digabungkan dengan lima pengklasifikasi. Pengklasifikasi tersebut adalah Gradient Boosting Classifier, Random Forest Classifier, Support Vector Classifier, K-Neighbors Classifier, dan Decision Tree Classifier. Dataset pada awalnya dimaksudkan untuk memengaruhi faktor-faktor pada mahasiswa yang mengalami dropout. Dataset tersebut memiliki 329 record dan 9 fitur. Metodologi yang dijelaskan diuji dengan Decision Tree Classifier, dan skor AUC meningkat sebesar 8% dibandingkan dengan model yang diuji tanpa metode seleksi fitur yang diusulkan.

Kegiatan ini berkaitan dengan tujuan pendidikan yang dinyatakan melalui fokusnya pada prediksi kinerja mahasiswa, data pendidikan, dan institusi pendidikan tinggi. Sumber menyatakan bahwa pendidik dan institusi akademik dapat memanfaatkan informasi tersebut untuk mengembangkan strategi intervensi yang terarah, pengalaman belajar yang disesuaikan, dan rekomendasi yang dipersonalisasi bagi mahasiswa. Pemanfaatan tersebut disajikan dalam sumber sebagai cara untuk mendorong lingkungan belajar yang lebih efektif dan meningkatkan hasil pendidikan secara keseluruhan. Dalam lingkup yang terdokumentasi, UDINUS menyajikan pembelajaran mesin, recursive feature elimination, pengujian pengklasifikasi, dan analisis data pendidikan sebagai komponen kegiatan.

Rujukan https://www.scopus.com/pages/publications/85213302070?origin=resultslist