IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY PADA SISTEM KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT

Niken Mutiara; La Ode Saidi; Budi Wijaya Rauf

doi:10.33772/anoatik.v3i1.109

Penulis

Niken Mutiara Mahasiswa Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo
La Ode Saidi Universitas Halu Oleo
Budi Wijaya Rauf Universitas Halu Oleo

DOI:

https://doi.org/10.33772/anoatik.v3i1.109

Abstrak

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.

Kata Kunci:

long short-term memory, klasifikasi, mahasiswa berpotensi drop out, confusion matrix, black box testing

Unduhan

Data unduhan belum tersedia.

Referensi

R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, pp. 1570–1580, 2021, doi: 10.35957/jatisi.v8i3.1159.

A. R. Isnain, H. Sulistiani, B. M. Hurohman, A. Nurkholis, and S. Styawati, “Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,” J. Edukasi dan Penelit. Inform., vol. 8, no. 2, p. 299, 2022, doi: 10.26418/jp.v8i2.54704.

K. Faozi, “Optimasi Algoritma C4. 5 dengan Fuzzy Inference System Mamdani dalam Memprediksi Mahasiswa Berpotensi Dropout,” Sci. Sacra J. Sains, Teknol. dan …, vol. 2, no. 3, pp. 272–280, 2022, [Online]. Available: http://pijarpemikiran.com/index.php/Scientia/article/view/238%0Ahttp://pijarpemikiran.com/index.php/Scientia/article/download/238/217

A. Ulfa, D. Winarso MKom, and E. Arribe MMSi, “Sistem Rrekomendasi Jurusan Kuliah Bagi Calon Mahasiswa Baru Menggunkan Algoritma C4.5 (Studi Kasus : Universitas Muhammadiyah Riau),” Fasilkom, vol. 10, no. 1, pp. 61–65, 2020.

N. L. Ratniasih, “Penerapan Algoritma Klasifikasi Untuk Penentuan Mahasiswa Berpotensi Drop Out,” J. Teknol. Inf. dan Komput., vol. 6, no. 3, pp. 417–422, 2021, doi: 10.36002/jutik.v6i3.1347.

A. Ramadhani, R. F. Noor, D. Vernanda, and T. Herdiawan, “Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma C4.5 di Politeknik Negeri Subang,” J. Tekno Kompak, vol. 18, no. 1, p. 101, 2024, doi: 10.33365/jtk.v18i1.3439.

“Peraturan Rektoran No 1 tahun 2019,” pp. 1–23, 2016.

A. A. Anandari, G. Harsono, and A. F. Wadjdi, Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) Aplikasi Penginderaan Jauh untuk Kelautan & Perikanan Laut Tangkap. CV Jejak (Jejak Publisher), 2024. [Online]. Available: https://books.google.co.id/books?id=9j0eEQAAQBAJ&dq=buku+LSTM&lr=&hl=id&source=gbs_navlinks_s

M. O. Sanjaya, S. Bukhori, and M. `Ariful Furqon, “Virtual Assistant for Thesis Technical Guide Using Artificial Neural Network,” Indones. J. Artif. Intell. Data Min., vol. 6, no. 2, p. 188, 2023, doi: 10.24014/ijaidm.v6i2.23473.

H. Salmawati, Yuyun, “Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Decision Tree C4 . 5 Dan Naive Bayes Di Universitas Jambi,” J. Ilm. Ilmu Komput., vol. 8, no. 2, p. 115032, 2021, [Online]. Available: https://repository.unja.ac.id/25341/

T. Fadiyah Basar, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen Pengguna Twitter terhadap Pembayaran Cashless menggunakan Shopeepay dengan Algoritma Random Forest,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 3, pp. 1426–1433, 2022, [Online]. Available: http://j-ptiik.ub.ac.id

A. R. Hidayati, A. S. Fitrani, M. A. Rosid, F. Sains, and D. Teknologi, “Analisa Sentimen Pemilu 2019 Pada Judul Berita Online Menggunakan Metode Logistic Regression,” Kesatria J. Penerapan Sist. Inf. (Komputer dan Manajemen), vol. 4, no. 2, pp. 298–305, 2023, [Online]. Available: http://www.pkm.tunasbangsa.ac.id/index.php/kesatria/article/view/164

Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput., vol. 6, no. 2, pp. 12–20, 2020, doi: 10.37012/jtik.v6i2.299.

Y. Yudiana, A. Yulia Agustina, and dan Nur Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” Indones. J. Islam. Econ. Bus., vol. 8, no. 1, pp. 01–20, 2023, [Online]. Available: http://e-journal.lp2m.uinjambi.ac.id/ojp/index.php/ijoieb