MODEL REGRESI LOGISTIK DAN JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI MAHASISWA BERPOTENSI DROPOUT
DOI:
https://doi.org/10.21063/jtif.2025.V13.1.8-16Kata Kunci:
Drop out, Mahasiswa, Regresi Logistik, Jaringan Syaraf TiruanAbstrak
Setiap perguruan tinggi memiliki mahasiswa yang keluar tanpa keterangan, termasuk mahasiswa yang gagal hingga akhir masa studinya dan dinyatakan drop out (DO). Langkah awal penyelesaian permasalahan mahasiswa DO dapat dilakukan melalui teknik klasifikasi. Penelitian ini bertujuan untuk mengklasifikasi mahasiswa DO menggunakan metode regresi logistik yang dikomparasi dengan metode Jaringan Syaraf Tiruan (JST) untuk membagi data dalam 5 klasifikasi: Aktif, Lulus, Potensi Lulus, Potensi DO, dan DO. Data yang digunakan adalah data akademik mahasiswa Program Studi Ilmu Komputer yang diperoleh dari PUSTIPADA UIN Sumatera Utara yang berupa: tahun masuk, lama studi, IPS, IPK, SKS per semester, total SKS, dan UKT. Sebanyak 1337 data mahasiswa yang dibagi dalam 80% pelatihan, dan 20% pengujian. Hasil pengujian model regresi logistik terhadap data uji memperoleh akurasi 93%, sementara model JST lebih unggul dengan akurasi 96%. Hal ini menunjukkan bahwa JST lebih efektif dalam menangkap pola kompleks dan variatif pada data mahasiswa. Hasil penelitian ini dapat memberikan kontribusi kepada lembaga akademik dan pengambil kebijakan pendidikan khususnya Program Studi Ilmu Komputer untuk membuat keputusan atau program pencegahan potensi drop out terhadap mahasiswa yang memiliki karakteristik serupa dengan data yang digunakan dalam penelitian ini.
Referensi
A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT Indones. J. Comput. Inf. Technol., vol. 5, no. 1, May 2020, doi: 10.31294/ijcit.v5i1.7951.
E. T. Cahyani, R. Goejantoro, and M. Siringoringo, “Analisis Regresi Logistik Multinomial Bayes untuk Pemodelan Minat Peserta Didik MAN 2 Samarinda Tahun Ajaran 2018/2019,” EKSPONENSIAL, vol. 13, no. 1, p. 1, Jun. 2022, doi: 10.30872/eksponensial.v13i1.874.
M. Tulong, C. Mongi, and M. Mananohas, “Regresi Logistik Multinomial Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Pilihan Perguruan Tinggi Pada Siswa SMA dan SMK di Pulau Karakelang Kabupaten Kepulauan Talaud,” d’CARTESIAN, vol. 7, no. 2, p. 90, Jul. 2018, doi: 10.35799/dc.7.2.2018.21456.
S. Sonang, A. T. Purba, and S. Sirait, “Prediksi Prestasi Mahasiswa Dengan Menggunakan Algoritma Backpropagation,” J. Tek. Inf. Dan Komput. Tekinkom, vol. 5, no. 1, p. 67, Jun. 2022, doi: 10.37600/tekinkom.v5i1.512.
E. Setyowati and S. Mariani, “Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA),” vol. 4, 2021.
K. W. Wan et al., “Evaluation of the performance of traditional machine learning algorithms, convolutional neural network and AutoML Vision in ultrasound breast lesions classification: a comparative study,” Quant. Imaging Med. Surg., vol. 11, no. 4, pp. 1381–1393, Apr. 2021, doi: 10.21037/qims-20-922.
T. Si, J. Bagchi, and P. B.C. Miranda, “Artificial Neural Network training using metaheuristics for medical data classification: An experimental study,” May 2022.
Y. Apriyani, “Penerapan Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Nilai UN Siswa SMPN 2 Cihaurbeuti”.
M. Ikhsan, A. Armansyah, and A. A. Tamba, “Implementasi Jaringan Syaraf Tiruan Backpropagation Pada Klasifikasi Grade Teh Hitam,” J. Sist. Komput. Dan Inform. JSON, vol. 4, no. 2, p. 387, Dec. 2022, doi: 10.30865/json.v4i2.5312.
N. Hamdani, A. Setyanto, and S. Sudarmawan, “Perbandingan Algoritma Regresi Logistic Dan Neural Network Pada Prediksi Nilai Hasil Pembinaan Dan Kelulusan Tepat Waktu,” Respati, vol. 15, no. 1, p. 30, Mar. 2020, doi: 10.35842/jtir.v15i1.328.
D. Makatulung and A. L. Samal, “Manajemen Waktu Bagi Mahasiswa Hampir Drop Out di IAIN Manado,” J. Islam. Educ. Leadersh., vol. 1, no. 2, pp. 136–152, Jan. 2022, doi: 10.30984/jmpi.v1i2.157.
D. R. N. Fauziyah, “Analisis Data Menggunakan Multiple Logistic Regression Test di Bidang Kesehatan Masyarakat dan Klinis,” Apr. 2019.
M. Fahmuddin, M. K. Aidid, and M. J. Taslim, “Implementasi Analisis Regresi Logistik dengan Metode Machine Learning untuk Mengklasifikasi Berita di Indonesia,” Nov. 2023.
E. Komariah, B. C. Octariadi, and A. C. Siregar, “Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Hasil Produksi Kelapa Sawit Menggunakan Backpropagation,” Jutisi J. Ilm. Tek. Inform. Dan Sist. Inf., vol. 12, no. 2, p. 484, Aug. 2023, doi: 10.35889/jutisi.v12i2.1342.
R. S. Tantika and A. Kudus, “Penggunaan Metode Support Vector Machine Klasifikasi Multiclass pada Data Pasien Penyakit Tiroid,” Bdg. Conf. Ser. Stat., vol. 2, no. 2, pp. 159–166, Jul. 2022, doi: 10.29313/bcss.v2i2.3590.
S. Andjani Musofwan, “Metode Penelitian, Repositoty.upi.edu.” Repository UPI, Aug. 15, 2022.
G. A. B. Suryanegara, A. Adiwijaya, and M. D. Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI Rekayasa Sist. Dan Teknol. Inf., vol. 5, no. 1, pp. 114–122, Feb. 2021, doi: 10.29207/resti.v5i1.2880.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Armansyah Armansyah, Suhardi Suhardi

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini dilisensikan berdasarkan Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0).
Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama.
Karya tersebut dapat dibagikan dan diadaptasi, bahkan untuk tujuan komersial, selama penghargaan yang sesuai diberikan dan setiap kreasi baru dilisensikan dengan ketentuan yang sama.