Pengembangan Sistem Deteksi Dini Mahasiswa Berisiko Menggunakan Machine Learning Berbasis Data Learning Management System: Studi Kasus: rumahilmu.org

Abstrak

Penelitian ini bertujuan mengembangkan sistem deteksi dini mahasiswa berisiko menggunakan machine learning berbasis data dari Learning Management System (LMS) rumahilmu.org. Sistem ini dirancang untuk Program Studi Sistem Informasi Universitas Bengkulu, dengan menganalisis data dari 459 enrollment mahasiswa pada lima mata kuliah. Sebanyak 37–76 fitur diekstraksi dari aktivitas LMS untuk memprediksi mahasiswa yang berpotensi mendapat nilai di bawah persentil ke-30 pada tiga titik waktu strategis (25%, 50%, dan 75% semester). Penelitian ini menerapkan pendekatan optimasi per-kelas, menguji 11 algoritma untuk menemukan model terbaik bagi setiap mata kuliah. Hasil penelitian menunjukkan bahwa tidak ada satu algoritma tunggal yang superior; model paling efektif bervariasi untuk setiap mata kuliah, dengan Gaussian Process, Logistic Regression, dan Voting Classifier menjadi yang paling sering terpilih. Namun, evaluasi pada data uji menunjukkan tantangan signifikan: meskipun skor validasi silang tinggi (F1-score > 0.80), terjadi overfitting dan penurunan performa. Temuan paling krusial adalah rendahnya kemampuan model dalam mendeteksi kelas minoritas 'Berisiko', dengan metrik Recall (Berisiko) mencapai 0.00 pada 8 dari 15 skenario. Kinerja deteksi terbaik dicapai pada mata kuliah Statistika & Probabilitas dengan Recall 0.50. Sistem yang diimplementasikan dengan arsitektur 3-tier (FastAPI dan React) menyediakan dashboard interaktif, namun efektivitas prediksinya untuk deteksi dini dibatasi oleh dataset yang kecil dan tidak seimbang.

Kata Kunci: deteksi dini mahasiswa berisiko, learning analytics, machine learning, klasifikasi biner, learning management system