Kembangkan Model EDUCATIONAL DATA MINING Untuk Prediksi Performa Akademik Mahasiswa, Dosen UMK Raih Doktor
SEMARANG- Dosen Sistem Informasi Univerisitas Muria Kudus (UMK) Muhammad Arifin berhasil meraih gelar doktor usai ujian terbuka pada Program Studi Doktor Sistem Informasi (DSI) Sekolah Pascasarjana Undip padaRabu, 20 Maret 2024 di Ruang Sidang Utama Gedung A Lantai 1 Sekolah Pascasarjana Undip.
Dr Muhammad Arifin MKom melakukan penelitian disertasi dengan judul “Model Educational Data Mining Berbasis Gradient Boosted Trees Untuk Prediksi Performa Akademik Mahasiswa”.
Tim Penguji terdiri dari Dr. R.B. Sularto, S.H., M.Hum. (Sekolah Pascasarjana), Prof. Dr. Rahmat Gernowo, M.Si (Kaprodi DSI), Prof. Dr. Widowati, S.Si., M.Si (Promotor), Farikhin, M.Si., Ph.D. (Co Promotor), Dr. Maman Somantri, S.T., M.T. (Penguji 1), Prof. Dr. Adian Fatchur Rochman, S.T., M.T. (Penguji 2), dan Prof. Dr. Ridwan Sanjaya, S.E., S.Kom., MS.IEC (Penguji Eksternal / UNIKA. Soegijapranata Semarang).
Menurut Dr Muhammad Arifin bahwa pendidikan memberikan dampak yang sangat penting terhadap pertumbuhan ekonomi suatu bangsa karena pendidikan berperan besar dalam menentukan kualitas tenaga kerja.
“Penggunaan teknologi informasi pada dunia pendidikan menghasilkan sejumlah data besar yang berkaitan dengan mahasiswa dalam bentuk elektronik. Sangat penting bagi pemangku kepentingan untuk secara efektif mengubah kumpulan data ini menjadi informasi yang membantu pengajar, administrator, dan pembuat kebijakan untuk menganalisisnya guna meningkatkan kualitas pengambilan keputusan,” ungkap Dr Muhammad Arifin.
Ia menambhakan bahwa (Educational Data Mining) EDM adalah disiplin ilmu yang berkembang, berkaitan dengan perluasan metode Data Mining klasik dan mengembangkan metode baru untuk menemukan data yang berasal dari sistem pendidikan. Prediksi performa akademik mahasiswa bertujuan untuk memperkirakan nilai yang tidak diketahui dari variabel yang menggambarkan mahasiswa. Nilai-nilai yang biasanya diprediksi adalah performa, skor, atau nilai.
Memprediksi performa akademik mahasiswa dapat membantu mahasiswa dan pengajar dalam melacak kemajuan mahasiswa. Penelitian dalam memprediksi performa akademik mahasiswa berusaha untuk menemukan fitur yang memiliki pengaruh terhadap performa akademik mahasiswa.
“Data performa akademik mahasiswa sebagian besar menggunakan dua jenis kumpulan data yaitu data dari database perguruan tinggi dan platform pembelajaran online. Penelitian ini bertujuan untuk membangun sistem informasi dengan menggunakan model regresi berbasis algoritma boosting untuk memprediksi performa akademik dan menggabungkan fitur akademik dan nonakademik, selanjutnya menemukan apakah fitur-fitur tersebut berpengaruh terhadap performa akademik mahasiswa,” tambahnya.
Hasil penelitian menunjukkan bahwa model yang diusulkan memiliki tingkat kesalahan paling kecil dibandingkan dengan model yang dibangun menggunakan algoritma generalized linear model, deep learning, decision tree, random forest, dan support vector machine, selain itu setelah dilakukan optimasi tingkat kesalahan dari model semakin kecil.
Gabungan fitur akademik dan non-akademik masing-masing memiliki pengaruh terhadap prediksi sehingga fitur-fitur ini dapat digunakan untuk memprediksi performa akademik mahasiswa. Sistem informasi prediksi ini dapat memudahkan pengguna untuk memprediksi performa akademik mahasiswa.
