Analisis Big Data dalam Sistem Informasi Akademik untuk Meningkatkan Retensi Mahasiswa
Keywords:
Big Data, Sistem Informasi Akademik, Retensi Mahasiswa, Analisis Prediktif, Perguruan TinggiAbstract
Penelitian ini bertujuan untuk menganalisis penerapan Big Data dalam Sistem Informasi Akademik guna meningkatkan retensi mahasiswa di perguruan tinggi. Dengan memanfaatkan teknik analisis data besar, penelitian ini mengidentifikasi pola akademik, perilaku belajar, dan faktor-faktor risiko yang dapat memengaruhi keputusan mahasiswa untuk tetap melanjutkan studi. Metode yang digunakan meliputi pengumpulan data akademik mahasiswa dari sistem informasi, pemrosesan menggunakan alat Big Data, serta penerapan algoritma prediktif untuk mengklasifikasikan mahasiswa berisiko rendah dan tinggi dalam hal retensi. Hasil penelitian menunjukkan bahwa model analisis Big Data mampu memprediksi mahasiswa yang berisiko putus studi dengan akurasi tinggi, serta memberikan rekomendasi intervensi yang tepat waktu. Simpulan penelitian menegaskan bahwa integrasi Big Data dalam Sistem Informasi Akademik dapat menjadi alat strategis bagi perguruan tinggi untuk meningkatkan retensi mahasiswa melalui pengambilan keputusan berbasis data yang lebih efektif
References
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
Huang, S., Fang, N., & Zhou, Y. (2019). Predicting student retention in higher education using machine learning techniques. Computers & Education, 142, 103648. https://doi.org/10.1016/j.compedu.2019.103648
Siemens, G., & Baker, R. S. J. d. (2012). Learning analytics and educational data mining: Towards communication and collaboration. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12), 252–254. https://doi.org/10.1145/2330601.2330661
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In K. Sawyer (Ed.), Cambridge Handbook of the Learning Sciences (2nd ed., pp. 253–274). Cambridge University Press.
Kotsiantis, S. B., Pierrakeas, C., & Pintelas, P. (2004). Preventing student dropout in distance learning using machine learning techniques. Knowledge-Based Systems, 17(2-3), 107–115. https://doi.org/10.1016/j.knosys.2003.12.004
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Merry Anjelica, Angga Juledi, Ibnu Rasyid Munthe
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
