beritabernas.com – Program Studi (Prodi) Informatika Program Magister FTI UII mengembangkan teknologi tepat guna untuk memperoleh rekomendasi pemilihan program studi sarjana yang paling tepat bagi siswa SMA.
Dengan mengisi data-data yang diperlukan di aplikasi yang ada (sebelumnya nama aplikasinya: kuliahapa, red), para siswa kelas akhir SMA atau sederajat bisa mengetahui dan menentukan program studi apa yang tepat atau cocok dengan minat, bakat, hobi, kemampuan akademik dan lain-lain yang dimilikinya.
Dengan demikian, ia dapat mengikuti kuliah dengan program studi yang sesuai dengan minat, bakat, keinginan dan kemampuan yang dimiliki sehingga dapat meraih prestasi akademik yang maksimal.
Teknologi tepat guna ini dikembangkan melalui penelitian yang dilakukan oleh Rio Rizki Aryanto, Mahasiswa (kini alumni) Program Studi Informatika Program Magister FTI UII dengan Dosen Pendamping Ahmad Munasir Rafie Pratama ST MIT PhD yang juga Dosen Jurusan Informatika dan Wakil Dekan Bidang Sumber Daya FTI UII.
Dalam penelitian dengan judul Studi Komparasi Model Klasifikasi Berbasis Pembelajaran Mesin untuk Sistem Rekomendasi Pemilihan Program Studi Sarjana, Rio Rizki Aryanto mengatakan bahwa penelitian ini dilakukan karena pemilihan program studi jenjang sarjana menjadi salah satu tantangan bagi calon mahasiswa, yaitu siswa tingkat akhir SMA dan sederajat. Keputusan pada fase ini bisa berimbas tidak hanya pada kelancaran studi tapi juga terhadap jalur karir setelah lulus kuliah.
“Tidak sedikit mahasiswa salah memilih jurusan atau program studi sehingga sampai di tengah jalan kurang berminat yang berpengaruh terhadap prestasi akademik. Sementara setelah lulus bekerja di bidang yang tak sesuai dengan latar belakang pendidikannya,” kata Rio Rizki Aryanto dalam jumpa pers secara daring yang juga diikuti Izzati Muhimmah ST MSc PhD, Ketua Program Studi Informatika Program Magister FTI UII dan Ahmad Munasir Rafie Pratama yang mengikuti secara luring.
Baca juga :
- Pertama di Indonesia, UII Terpilih untuk Gelar SICSS 2022
- Membangun Semangat Entrepreneurship, FTI UII Buka Mini Industri Memproduksi Air Mineral
- FTI UII Bekerjasama dengan Desa Girirejo Ngablak Mengatasi Masalah Sampah
- Insenerator, Teknologi Pengolahan Sampah Ramah Lingkungan Karya FTI UII
Menurut Rio Rizki Aryanto, pandemi Covid-19 dan pembatasan yang dilakukan pemerintah Indonesia menuntut perguruan tinggi bertindak lebih inovatif untuk menjangkau calon mahasiswa. Salah satu inovasi yang dapat dilakukan adalah inisiasi sistem rekomendasi program studi sarjana guna membantu calon mahasiswa untuk mengetahui program studi yang cocok dengan karakteristik masing-masing.
Rio Rizki mengaku sistem rekomendasi serupa telah banyak ditemukan di penelitian sebelumnya, namun kebanyakan masih menggunakan model berbasis aturan (rule-based) dan fuzy. Masih belum banyak ditemukan sistem rekomendasi yang mengimplementasikan model berbasis pembelajaran mesin (machine learning) seperti yang dia lakukan kali ini.
Tujuan penelitian
Menurut Rio Rizki, penelitian ini bertujuan untuk mengeksplorasi implementasi sains data, khususnya terkait model machine learning pada sistem rekomendasi program studi. Implementasi tersebut diwujudkan dalam bentuk model klastering dan model klasifikasi.
Dikatakan, model klastering digunakan untuk menyeleksi kelompok mahasiswa yang akan digunakan sebagai data latih pada sistem, sedangkan model klasifikasi digunakan sebagai model yang memberikan hasil rekomendasi kepada pengguna.
Menurut Rio, studi komparasi penelitian akan melibatkan beberapa model klastering (KMeans, Agglomerative, Birch dan DBSCAN), model klasifikasi dengan pendekatan single-stages dan multi-stages, metode (multinomial logictic regressions, random forest dan support vector machine), dan skema preparasi dataset (dengan atau tanpa label berbasis IPK).
“Penelitian ini menemukan bahwa model KMeans merupakan model klastering untuk digunakan sebagai alat bantu seleksi kelompok mahasiswa, sedangkan model terbaik pada sistem rekomendasi adalah model klasifikasi dengan pendekatan single-stage dan metode random forest,” kata Rio.
Penelitian ini jug untuk mengetahui bagaimana sains data, khususnya model machine learning, adapat diimplementasikan pada pengembangan sistem rekomendasi program studi sarjana. Implementasi sains data kemudian diwujudkan pada beberapa tahapan seperti penggunaan model klastering, teknik semi-supervised learning hingga model klasifikasi. Masing-masing model dan teknik tersebut ditempatkan sedemikian rupa pada penelitian dan bertujuan untuk menyempurnakan sistem rekomendasi program studi.
Sementara studi komparasi penelitian bertujuan untuk mengetahui model klasifikasi terbaik apa yang dapat diterapkan pada sistem rekomendasi. Studi komparasi melibatkan model klasifikasi yang didesain baik menggunakan pendekatan single-stage mapupun multi-stages.
Tiga algoritma klasifikasi mulai dari multinomial logistic regression, random forest dan support vector machine juga dibandingkan di masing-masing model klasifikasi. Selain itu, studi komparasi juga melibatkan skenario preparasi dataset dengan dan tanpa menggunakan variabel status mahasiswa, jumlah SKS dan nilai IPK pada tahap awal seleksi data mahasiswa. Sebagai penutup, studi komparasi dilakukan dengan melibatkan model klasifikasi preliminary study.
Hasil studi komparasi menunjukkan bahwa model klasifikasi single-stage menggunakan algoritma random forest berhasil memberikan performa terbaik dibandingkan model klasifikasi multi-stages maupun model preliminary study. Model tersebut memberikan nilai akurasi sebesar 92 persen, yang mana 6 persen lebih tinggi dibandingkan akurasi dari model multi-stages dan preliminary study.
Menurut Rio ,model single-stage memberikan performa terbaik ketika dilatih menggunakan dataset dengan preparasi Skenario-A. Berbeda dengan model multi-stages yang berhasil memberikan performa terbaik ketika menggunakan dataset dengan preparasi Skenario-B.
Model multi-stages juga memberikan performa yang cukup baik jika dibandingkan dengan model klasifikasi preliminary study. Meskipun dari sisi akurasi kedua model tersebut dapat dikatakan tidak jauh berbeda, akan tetapi model multi-stages memiliki nilai rerata log loss yang lebih kecil.
Dari studi komparasi yang dilakukan, dapat diambil kesimpulan bahwa kedua model klasifikasi yang diinisiasikan penelitian berhasil menunjukkan perbaikan performa dibandingkan dengan model klasifikasi preliminary study. Pembaruan dan pendekatan yang dilakukan pada penelitian juga terbukti memberikan kontribusi terhadap performa kedua model tersebut.
Pembaruan yang dimaksud adalah adanya penambahan dataset baru terkait data capaian akademik mahasiswa selama studi perguruan tinggi, juga penerapan model klastering dan teknik semi-supervised learning yang digunakan untuk proses seleksi kelompok mahasiswa sebagai data latih model klasifikasi sistem rekomendasi.
Selain studi komparasi, penelitian juga memaparkan hasil analisis terkait implementasi teknik semi-supervised learning yang berpotensi menimbulkan bias. Hasil analisis menunjukkan bahwa bias teknik semi-supervised learning terlihat pada penerapan model klasifikasi terutama pada rumpun ilmu sosial. Pada rumpun ilmu tersebut, model klasifikasi menggunakan algoritma multinomial logistic regression dan support vector machine memberikan performa yang dapat dikatakan kurang memuaskan. (lip)
There is no ads to display, Please add some