Implementasi Fuzzy Sugeno Untuk Menilai Tingkat Risiko Drop Out Mahasiswa

Diva Ukhwa Mawarni Lubis; Yohana Siallagan; Ahmad Alhafiz Sani; Rayhan Novaldi

Authors

Diva Ukhwa Mawarni Lubis STIKOM Tunas Bangsa
Yohana Siallagan STIKOM Tunas Bangsa
Ahmad Alhafiz Sani STIKOM Tunas Bangsa
Rayhan Novaldi STIKOM Tunas Bangsa

Keywords:

Fuzzy Sugeno, Drop Out Mahasiswa, Sistem Inferensi Fuzzy, Deteksi Dini, Pendidikan Tinggi

Abstract

Mahasiswa drop out merupakan salah satu permasalahan serius dalam dunia pendidikan tinggi yang dapat berdampak pada kualitas institusi dan masa depan mahasiswa. Penelitian ini bertujuan untuk mengembangkan sistem penilaian tingkat risiko siswa putus sekolah menggunakan metode Fuzzy Inference System (FIS) Sugeno. Metode ini dipilih karena kemampuan dalam menangani dan data yang bersifat linguistik dalam proses pengambilan keputusan. Sistem yang dikembangkan menggunakan beberapa variabel input meliputi Indeks Prestasi Kumulatif (IPK), tingkat kehadiran, kondisi ekonomi keluarga, motivasi belajar, dan faktor sosial. Proses fuzzifikasi dilakukan dengan mengkonversi nilai-nilai crisp menjadi nilai fuzzy menggunakan fungsi pengumpulan yang telah ditentukan. Mesin inferensi Sugeno kemudian memproses aturan- aturan fuzzy untuk menghasilkan output berupa tingkat risiko drop out yang diklasifikasikan menjadi rendah, sedang, dan tinggi. Hasil penelitian menunjukkan bahwa sistem fuzzy Sugeno mampu memberikan penilaian tingkat risiko drop out dengan akurasi yang baik, dengan tingkat akurasi mencapai 85,6%. Sistem ini dapat membantu pihak institusi pendidikan dalam melakukan deteksi dini siswa yang berpotensi drop out, sehingga dapat dilakukan intervensi yang tepat untuk mencegah terjadinya drop out. Implementasi sistem ini diharapkan dapat menjadi alat bantu dalam meningkatkan tingkat retensi siswa dan kualitas pendidikan tinggi.

References

Algoritma C4.5 dalam Menentukan Mahasiswa Drop Out. Jurnal Teknologi dan Sistem Informasi, 9(1), 45–53.

2. Handayani, L., & Sari, R. P. (2021). Klasifikasi Data Mahasiswa Menggunakan Algoritma Naïve Bayes. Jurnal Sains Komputer dan Informatika, 12(2), 67–74.

3. Jasmir, A., Alimuddin, A., & Marni, N. (2018). Prediksi Mahasiswa Drop Out dengan Menggunakan Algoritma Klasifikasi Data Mining. Jurnal Sains dan Informatika, 4(2), 123–129.

4. Lestari, D. (2020). Penerapan Data Mining untuk Prediksi Kelulusan Mahasiswa. Seminar Nasional Teknologi Informasi dan Multimedia, 8(1), 89–94.

5. Nugroho, A., & Santosa, P. I. (2021).

Analisis Prediksi Mahasiswa

Menggunakan Algoritma K-NN dan SVM. SSJurnal Informatika dan Sistem Informasi, 10(3), 145–152.

6. Jasmir, Zaenal, D., Alam, P., & Rasywir,

E. (2018). Prediksi Mahasiswa Drop Out dengan menggunakan Algoritma Klasifikasi Data Mining. Prosiding Annual Research Seminar (ARS) 2018), Fakultas Ilmu Komputer UNSRI, Vol. 4 No. 1.

ISBN: 978-979-587-813-1.

7. Laili, U. F., Umatin, C., & Ridwanulloh,

M. U. (2023). Analisis Potensial Drop Out Mahasiswa dengan K-Means++ Clustering dalam Upaya Peningkatan Kualitas IAIN Kediri. Paedagoria: Jurnal Kajian, Penelitian dan Pengembangan Kependidikan, 14(2), 145–153. https://journal.ummat.ac.id/index.php/pae dagoria

8. Marzuqi, T. A., Kristiani, E., & Marcel. (2024). Prediksi Mahasiswa Drop-Out di Universitas XYZ. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 11(6), 1345–1350.

https://doi.org/10.25126/jtiik.2024118689