Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Kerangka Hybrid Logistic Regression Stacking untuk Prediksi Hasil Studi Mahasiswa yang Akurat dan Dapat Diinterpretasikan

Rektorat UDINUS 2026 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2026
Tujuan
Nomor
ef1126cd-c07e-4cc9-b971-959aa827672e
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS) melaksanakan studi yang menyajikan Hybrid Logistic Regression Stacking (HLR-STACK), yaitu kerangka hybrid stacking untuk memprediksi hasil studi mahasiswa di pendidikan tinggi. Kerangka ini menggunakan logistic regression sebagai meta-learner dan mengintegrasikan prapemrosesan yang aman dari kebocoran data, Synthetic Minority Over-sampling Technique (SMOTE) di dalam fold untuk penyeimbangan kelas, serta out-of-fold stacking pada base learner berbasis pohon dan boosting.

Kegiatan ini mencakup dua tugas prediksi. Tugas pertama adalah klasifikasi biner yang membedakan hasil Graduate dan Dropout. Tugas kedua adalah klasifikasi multikelas yang mencakup Dropout, Enrolled, dan Graduate. Seleksi ensemble Top-K digunakan untuk mempertahankan model yang ringkas dan siap diterapkan. Evaluasi pada dataset berisi 4.424 catatan menunjukkan bahwa HLR-STACK mencapai akurasi 0,981 untuk tugas biner dan 0,844 untuk tugas multikelas, serta mengungguli baseline model tunggal.

Studi ini juga membahas penilaian risiko berbasis probabilitas yang dapat diinterpretasikan. Kalibrasi post-hoc menggunakan Maximum Calibration Error (MCE) dan reliability diagram mendukung interpretasi keluaran model. Recursive Feature Elimination (RFE) mengidentifikasi 30 prediktor teratas, dengan tingkat kelulusan semester, beban studi, nilai, dan struktur mata kuliah sebagai kontributor utama yang disoroti.

Melalui kegiatan ini, UDINUS menyajikan alur kerja pendukung keputusan yang praktis, dapat diaudit, skalabel, dan dapat diinterpretasikan untuk identifikasi awal mahasiswa yang berisiko. Sumber menjelaskan bahwa alur kerja tersebut memfasilitasi intervensi yang ditargetkan dan kebijakan pendidikan berbasis bukti. HLR-STACK mengintegrasikan base learner yang saling melengkapi melalui meta-learner yang transparan dan menghasilkan keluaran yang dapat diinterpretasikan. Kerangka ini dapat diperluas ke institusi pendidikan tinggi dan dataset lainnya.

Rujukan https://www.scopus.com/pages/publications/105043285222?origin=resultslist