LITERATURE REVIEW:

PENDEKATAN MACHINE LEARNING DAN DEEP LEARNING UNTUK PREDIKSI KELULUSAN MAHASISWA

Abstract

Ketidaktepatan waktu kelulusan mahasiswa masih menjadi tantangan utama di perguruan tinggi, baik di Indonesia maupun dunia. Berbagai penelitian telah mengembangkan metode machine learning untuk membantu proses prediksi kelulusan mahasiswa secara dini berdasarkan data akademik, demografi, dan perilaku. Evolusi algoritma machine learning bertujuan untuk menjawab permasalahan akurasi prediksi dari berbagai faktor yang mempengaruhi kelulusan. Prediksi kelulusan menggunakan machine learning menarik untuk diteliti sebagai referensi penentuan strategi intervensi yang tepat ke depannya. Penelitian ini bertujuan untuk mengelompokkan perjalanan penggunaan algoritma machine learning pada prediksi kelulusan mahasiswa sehingga dapat mengindikasikan algoritma terbaik untuk prediksi kelulusan mendatang. Penelitian ini menggunakan pendekatan literature review terhadap 30 jurnal terindeks periode 2021–2025 yang dianalisis berdasarkan algoritma, akurasi, kelebihan, kelemahan, dan konteks dataset. Secara umum, algoritma machine learning yang digunakan dalam prediksi kelulusan didominasi oleh Random Forest (RF), Support Vector Machine (SVM), dan deep learning (CNN, LSTM, Bi-LSTM, CNN-BiGRU). Penelitian ini mengungkapkan bahwa CNN-BiGRU mencapai akurasi tertinggi sebesar 97,48%, diikuti SVM setelah hyperparameter tuning sebesar 96%, serta Random Forest dengan SMOTE mencapai 92,59%. Penanganan ketidakseimbangan data menggunakan SMOTE terbukti menjadi faktor penting dalam meningkatkan recall kelas minoritas hingga 92,59% pada algoritma KNN. Berdasarkan hasil literature review, CNN-BiGRU merupakan algoritma terbaik dalam pendekatan machine learning untuk prediksi kelulusan mahasiswa dengan akurasi tertinggi sebesar 97,48%. Temuan ini dapat menjadi acuan bagi peneliti maupun institusi pendidikan tinggi dalam memilih pendekatan machine learning yang optimal untuk membangun sistem prediksi kelulusan mahasiswa yang akurat dan efektif.