Kuningan – Tingkat kelulusan mahasiswa tepat waktu menjadi salah satu indikator penting dalam penilaian akreditasi perguruan tinggi. Namun, fakta di lapangan menunjukkan bahwa hanya sedikit mahasiswa yang mampu menyelesaikan studi sesuai target. Menanggapi persoalan ini, tim peneliti Universitas Kuningan (Uniku) berhasil mengembangkan model prediksi kelulusan mahasiswa dengan memanfaatkan algoritma C4.5 yang dipadukan dengan teknik pengolahan data Random Over Sampling (ROS) dan Synthetic Minority Over-sampling Technique (SMOTE).
Penelitian yang dipimpin oleh Fahmi Yusuf bersama tim dosen Fakultas Ilmu Komputer ini menggunakan data mahasiswa angkatan 2016–2017 Program Studi Teknik Informatika. Dari 315 mahasiswa, hanya 2,8% yang berhasil lulus tepat waktu. Ketidakseimbangan data antara mahasiswa yang lulus tepat waktu dan terlambat ini menjadi tantangan dalam analisis prediktif.
“Kalau data tidak seimbang, algoritma cenderung berat sebelah, hanya mengenali pola mayoritas dan mengabaikan yang minoritas. Di sinilah SMOTE dan ROS kami gunakan untuk menyeimbangkan data agar hasil prediksi lebih akurat,” jelas Fahmi Yusuf.
Hasil riset menunjukkan bahwa model C45-SMOTE memberikan performa terbaik dengan nilai akurasi rata-rata 84,1% dan F1-Score sebesar 16,2%. Artinya, model ini mampu lebih baik dalam mengenali mahasiswa yang berpotensi lulus tepat waktu meskipun jumlahnya sedikit.
Dari sisi keilmuan, penelitian ini memperkaya literatur tentang penanganan data tidak seimbang (imbalanced data) yang menjadi masalah klasik dalam data mining. Model ini dapat menjadi rujukan akademisi lain dalam mengembangkan metode prediksi berbasis kecerdasan buatan.
Sementara bagi masyarakat, khususnya perguruan tinggi, hasil penelitian ini bisa dimanfaatkan untuk deteksi dini mahasiswa yang berisiko terlambat lulus. Dengan demikian, program studi dapat mengambil langkah preventif seperti pemberian bimbingan akademik intensif, pendampingan belajar, atau konseling akademik agar mahasiswa bisa menyelesaikan studi sesuai waktu.
“Harapannya, riset ini tidak hanya berkontribusi untuk pengembangan ilmu data mining, tetapi juga memberi dampak nyata bagi dunia pendidikan tinggi di Indonesia,” tambah Evy Setia Oktaviani, salah satu anggota tim peneliti.
Dengan model prediksi ini, perguruan tinggi punya peluang lebih besar meningkatkan angka kelulusan tepat waktu sekaligus memperkuat akreditasi institusi.
Artikel ini telah terbit di: AIP Conf. Proc. 3141, 040028 (2025) https://doi.org/10.1063/5.0261246