Prediksi Risiko Akademik Taruna Menggunakan Long Short-Term Memory (LSTM) Berbasis Data Longitudinal pada Pendidikan Vokasi Pelayaran

Abstract

Kegagalan akademik pada pendidikan vokasi pelayaran memiliki konsekuensi yang lebih kompleks dibandingkan pendidikan tinggi reguler sehingga prediksi risiko akademik sejak dini menjadi penting untuk mendukung pembinaan taruna. Penelitian ini bertujuan mengembangkan model prediksi risiko akademik berbasis data longitudinal menggunakan metode Long Short-Term Memory (LSTM). Berbeda dengan penelitian sebelumnya yang umumnya menggunakan data cross-sectional, penelitian ini memanfaatkan riwayat akademik semester 1–3 sebagai data berurutan (sequence) untuk memprediksi status akademik akhir taruna yang diklasifikasikan menjadi tiga kategori, yaitu lulus, lambat lulus, dan tidak lulus. Dataset mencakup 1.667 taruna Program Diploma III Politeknik Pelayaran Barombong dari tiga angkatan (2020–2022). Untuk menjaga validitas prediksi, horizon prediksi dibatasi pada semester 1–3, sedangkan pembagian data latih dan data uji dilakukan pada level individu taruna guna mencegah data leakage. Ketidakseimbangan kelas ditangani menggunakan class weight sehingga karakteristik data longitudinal tetap terjaga. Sebelum diterapkan pada data institusional, pipeline divalidasi secara end-to-end menggunakan data sintetis dengan struktur yang identik. Pengujian menghasilkan akurasi 0,34 dan nilai ROC-AUC makro 0,471, mendekati performa tebakan acak sebagaimana diharapkan pada data berlabel acak, sehingga memvalidasi implementasi pipeline dan mekanisme pencegahan data leakage. Penelitian ini menghasilkan kerangka metodologis prediksi risiko akademik berbasis data longitudinal yang dapat menjadi landasan pengembangan sistem pendukung keputusan dan Early Warning System pada penelitian selanjutnya.

GS Cited Analysis