Klasifikasi Risiko Dropout Mahasiswa Menggunakan LSTM dan Naïve Bayes

Abstract

Tingginya angka putus kuliah secara signifikan berdampak pada keberhasilan institusi pendidikan tinggi, sehingga deteksi risiko dini menjadi sangat krusial. Penelitian ini mengusulkan kerangka klasifikasi hibrida untuk memprediksi kerentanan putus kuliah dengan menggabungkan analisis sentimen berbasis Long Short-Term Memory (LSTM) dan pengklasifikasi Naïve Bayes. Data dikumpulkan dari mahasiswa aktif melalui kuesioner yang mencakup atribut terstruktur semester, IPK, faktor akademik dan ekonomi, serta tingkat motivasi ditambah tiga respons esai kualitatif. Data tekstual melalui tahapan pra-pemrosesan standar meliputi pembersihan, case folding, tokenisasi, penghapusan stopword, dan stemming. Menggunakan Indonesian Sentiment Lexicon (InSet), teks tersebut dilabeli menjadi polaritas positif, netral, atau negatif untuk melatih jaringan LSTM. Skema majority voting kemudian digunakan untuk mengagregasi prediksi sentimen dari ketiga esai menjadi satu sentimen akhir per mahasiswa. Sentimen ini, digabungkan dengan atribut terstruktur lainnya, digunakan sebagai fitur masukan bagi algoritma Naïve Bayes untuk mengklasifikasikan mahasiswa ke dalam risiko rendah, sedang, atau tinggi. Pengujian performa menghasilkan akurasi sebesar 67% untuk ekstraksi sentimen LSTM. Sementara itu, klasifikasi Naïve Bayes mencatat akurasi 22,22%, presisi 72,22%, recall 22,22%, dan F1-score 26,46%. Meskipun metrik klasifikasi akhir mencerminkan keterbatasan akibat ketidakseimbangan kelas data, arsitektur yang diusulkan menunjukkan potensi kelayakan sebagai model awal untuk identifikasi risiko. Penelitian mendatang sangat merekomendasikan penggunaan dataset yang lebih besar dan seimbang untuk meningkatkan keandalan prediksi.

GS Cited Analysis