Implementasi Model Machine Learning Sebagai Fondasi Sistem Kecerdasan Buatan untuk Prediksi Performa Akademik Mahasiswa

Abstract

Pembelajaran Machine Learning (ML) di perguruan tinggi umumnya masih berhenti pada tahap membandingkan algoritma supervised, unsupervised, dan reinforcement learning pada satu dataset tanpa mengaitkannya dengan bagaimana model tersebut menjadi bagian dari sistem Kecerdasan Buatan (Artificial Intelligence/AI) yang utuh dan dapat digunakan dalam praktik nyata. Kesenjangan ini diamati langsung oleh penulis dalam pengajaran mata kuliah Machine Learning bagi mahasiswa semester enam. Penelitian ini bertujuan menunjukkan, melalui studi kasus, bagaimana sebuah model ML dapat diposisikan sebagai fondasi dari sistem AI yang lebih luas. Studi kasus dipilih pada domain pendidikan, yaitu prediksi risiko akademik mahasiswa, menggunakan dataset publik Student Performance (UCI Machine Learning Repository, [1]) yang berisi 395 data mahasiswa sekolah menengah di Portugal. Tiga algoritma klasifikasi dibandingkan, yaitu Decision Tree, Random Forest, dan Logistic Regression, untuk memprediksi status risiko mahasiswa (aman/berisiko) tanpa menggunakan nilai periode sebelumnya, agar prediksi dapat dilakukan sejak awal semester. Hasil menunjukkan akurasi berkisar 66,7%–69,7% dengan F1-Score tertinggi pada Logistic Regression (35,3%), sementara faktor riwayat kegagalan mata kuliah (failures) dan jumlah ketidakhadiran (absences) menjadi prediktor paling berpengaruh. Lebih penting dari nilai akurasi itu sendiri, penelitian ini merancang bagaimana keluaran model tersebut diintegrasikan ke dalam arsitektur sistem peringatan dini yang mencakup modul prediksi, dashboard, dan alur tindak lanjut oleh dosen pembimbing akademik. Penelitian ini menyimpulkan bahwa pembelajaran ML perlu diperluas dari sekadar perbandingan model menuju pemahaman model sebagai komponen sistem AI, sehingga mahasiswa memperoleh kompetensi yang relevan dengan kebutuhan implementasi AI di dunia nyata.