Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2026
- Tujuan
- Nomor
- ff1af430-8826-46be-b241-bfacd9923343
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan penelitian mengenai prediksi kinerja akademik mahasiswa dalam Learning Management Systems (LMS), dengan melibatkan peneliti Hermaliani, Eni Heni; Fanani, Ahmad Zainul; Santoso, Heru Agus; dan Affandy sebagai peserta kegiatan. Kegiatan ini membahas tantangan ketidakseimbangan kelas dan sifat kotak hitam dari banyak model prediksi berakurasi tinggi, yang dapat membatasi penerapannya dalam lingkungan pendidikan.
Kegiatan tersebut mengusulkan kerangka kerja ensemble stacking yang dapat dijelaskan dengan menggabungkan beberapa pembelajar dasar yang heterogen, yaitu k-nearest neighbors, random forest, extra trees, XGBoost, dan LightGBM, dengan Logistic Regression sebagai meta-pembelajar untuk agregasi yang transparan. Strategi resampling hibrida SMOTE-ENN diterapkan secara eksklusif pada fold pelatihan dalam stratified five-fold cross-validation untuk menangani ketidakseimbangan kelas dan mencegah kebocoran data. Interpretabilitas model didukung melalui Shapley Additive Explanations yang memberikan informasi mengenai kepentingan fitur secara global dan penjelasan prediksi secara lokal.
Eksperimen menggunakan dataset pembanding Kalboard 360 yang terdiri atas 480 instances dan 16 features, dengan tiga tingkat kinerja: High, Medium, dan Low. Kerangka kerja tersebut mencapai accuracy 96,57%, precision 96,34%, recall 93,26%, dan F1-score 94,40%, serta mengungguli pengklasifikasi individual dan ensemble homogen. Variansi antarfold yang rendah menunjukkan kestabilan pada berbagai pembagian validasi. Uji Wilcoxon signed-rank pada tingkat alpha 0,05 tidak menemukan perbedaan yang signifikan secara statistik antara model yang diusulkan dan pengklasifikasi pembanding, meskipun kerangka stacking secara konsisten memperoleh skor rata-rata tertinggi.
Analisis SHAP menunjukkan bahwa fitur keterlibatan perilaku, khususnya jumlah hari ketidakhadiran mahasiswa dan sumber daya yang dikunjungi, mendominasi prediksi, sedangkan atribut demografis berkontribusi secara tidak berarti. Kegiatan ini membahas prediksi kinerja mahasiswa, analitik peringatan dini, dan strategi intervensi berorientasi pendidik dalam sistem informasi pendidikan berbasis LMS. Penelitian ini menggunakan resampling yang aman dari kebocoran data dan kemampuan interpretasi berbasis SHAP untuk menyediakan solusi yang praktis dan dapat dijelaskan bagi prediksi kinerja mahasiswa.