Editorial Ilmu Komputer & AI
Open AccessOA2024
Memprediksi kelulusan mahasiswa menggunakan kinerja akademik dan machine learning: tinjauan literatur sistematis
Tinjauan literatur sistematis ini menganalisis 70 artikel jurnal (2018โ2023) tentang prediksi kelulusan mahasiswa berbasis machine learning, mengidentifikasi Support Vector Machine dan Random Forest sebagai algoritma yang paling umum serta data Learning Management System dan Student Information System sebagai sumber utama.
Lidya R Pelima; Yuda Sukmana; Y. Rosmansyahยท IEEE Accessยท 2024ยท DOI 10.1109/ACCESS.2024.3361479
Masalah inti
Memprediksi kelulusan mahasiswa bermanfaat bagi mahasiswa maupun institusi. Mahasiswa dapat membuat keputusan yang tepat tentang jalur akademik dan karier, sementara institusi dapat secara proaktif mengidentifikasi mahasiswa berisiko dan menawarkan dukungan yang disesuaikan. Machine learning (ML) telah menarik perhatian untuk tugas ini, dengan beberapa penelitian melaporkan tingkat akurasi hingga 90%. Namun, tinjauan literatur sistematis (SLR) yang ada memiliki keterbatasan: sering mengabaikan pembahasan model dan algoritma prediktif, kurang mencakup algoritma ML, menggunakan basis data kecil, memilih kata kunci yang melewatkan sinonim relevan, dan memberikan transparansi terbatas dalam pengumpulan data. Penelitian ini mengatasi celah tersebut dengan melakukan SLR menyeluruh terhadap model prediksi kelulusan mahasiswa berbasis ML dari 70 artikel jurnal yang diterbitkan antara 2018 dan 2023. Tinjauan ini mengkaji algoritma yang diterapkan, data kinerja akademik yang digunakan, efektivitas model, serta tantangan dan potensi manfaat. Tujuannya adalah memajukan lingkungan pembelajaran cerdas dengan memberikan tinjauan yang bernuansa dan komprehensif.
Inovasi
Para penulis melakukan tinjauan literatur sistematis mengikuti proses terstruktur. Mereka menelusuri beberapa basis data menggunakan kata kunci terkait prediksi kelulusan mahasiswa, machine learning, dan kinerja akademik, termasuk sinonim untuk memastikan cakupan yang komprehensif. Pencarian dibatasi pada artikel jurnal yang diterbitkan dari 2018 hingga 2023. Setelah penyaringan, 70 artikel relevan dipilih untuk dianalisis. Ekstraksi data berfokus pada: (1) algoritma machine learning yang digunakan, (2) jenis data kinerja akademik (misalnya, dari Learning Management System (LMS) dan Student Information System (SIS)), (3) metrik kinerja model, dan (4) tantangan dan manfaat yang dilaporkan. Tinjauan ini bertujuan mengidentifikasi tren, celah, dan praktik terbaik di bidang ini.
Pendahuluan
Memprediksi kelulusan mahasiswa bermanfaat bagi mahasiswa maupun institusi. Mahasiswa dapat membuat keputusan yang tepat tentang jalur akademik dan karier, sementara institusi dapat secara proaktif mengidentifikasi mahasiswa berisiko dan menawarkan dukungan yang disesuaikan. Machine learning (ML) telah menarik perhatian untuk tugas ini, dengan beberapa penelitian melaporkan tingkat akurasi hingga 90%. Namun, tinjauan literatur sistematis (SLR) yang ada memiliki keterbatasan: sering mengabaikan pembahasan model dan algoritma prediktif, kurang mencakup algoritma ML, menggunakan basis data kecil, memilih kata kunci yang melewatkan sinonim relevan, dan memberikan transparansi terbatas dalam pengumpulan data. Penelitian ini mengatasi celah tersebut dengan melakukan SLR menyeluruh terhadap model prediksi kelulusan mahasiswa berbasis ML dari 70 artikel jurnal yang diterbitkan antara 2018 dan 2023. Tinjauan ini mengkaji algoritma yang diterapkan, data kinerja akademik yang digunakan, efektivitas model, serta tantangan dan potensi manfaat. Tujuannya adalah memajukan lingkungan pembelajaran cerdas dengan memberikan tinjauan yang bernuansa dan komprehensif.
Mengapa penting
Temuan menunjukkan bahwa meskipun ML dapat secara efektif memprediksi kelulusan mahasiswa, terdapat keterbatasan dalam literatur yang ada. Dominasi SVM dan RF menunjukkan bahwa algoritma ini tangguh untuk tugas tersebut, tetapi algoritma lain mungkin kurang dimanfaatkan. Ketergantungan pada data LMS dan SIS menyoroti pentingnya infrastruktur data institusi. Namun, kurangnya pelaporan rinci tentang pengembangan dan evaluasi model menghambat reproduksibilitas dan perbandingan. Tinjauan juga mencatat bahwa tantangan seperti privasi data, pertimbangan etis, dan kebutuhan akan model yang dapat diinterpretasikan masih ada. Potensi manfaatnya mencakup intervensi dini, dukungan yang dipersonalisasi, dan peningkatan tingkat kelulusan. Penelitian ini berkontribusi pada lingkungan pembelajaran cerdas dengan memberikan gambaran menyeluruh dan mengidentifikasi celah untuk penelitian masa depan. Penelitian selanjutnya harus mengeksplorasi berbagai algoritma yang lebih luas, menstandarkan pelaporan, dan menangani masalah etis.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ