Jagosatu.com – Dunia pendidikan makin canggih. Sekarang, bukan cuma dosen atau guru yang bisa menilai kemampuan mahasiswa, tapi komputer juga bisa membantu.
Dengan kemajuan teknologi, banyak kampus mulai menggunakan data untuk membantu mengambil keputusan penting.
Salah satunya adalah memprediksi apakah seorang mahasiswa akan lulus atau tidak.
Menurut Bramer – data mining adalah proses pengolahan data besar untuk menemukan pola tersembunyi yang bisa dijadikan acuan dalam pengambilan keputusan (Bramer, 2007).
Data mahasiswa, seperti nilai akademik, pengalaman penelitian, dan surat rekomendasi, dapat digunakan untuk memprediksi keberhasilan studi lanjutan.
Dilansir dari Kaggle – tersedia dataset “Graduate Admission” yang berisi informasi penting seperti nilai GRE, TOEFL, IPK, dan atribut lainnya yang bisa dipakai untuk melatih sistem prediksi peluang kelulusan.
Menurut penelitian yang dilakukan oleh Aldo Sabathos Mananta dan Green Arther Sandag dari Universitas Klabat – penggunaan algoritma K-Nearest Neighbor (K-NN) terbukti dapat memprediksi peluang kelulusan mahasiswa dengan tingkat akurasi mencapai 96,25% (Mananta & Sandag – 2021).
Algoritma K-NN bekerja dengan membandingkan data mahasiswa baru terhadap data mahasiswa sebelumnya yang sudah diketahui hasil akhirnya.
Baca Juga: Luar Biasa! Sekarang Semua AI Bisa Tarik Data Wikipedia dengan Sekali Klik — Ini Caranya
Jika karakteristiknya mirip dengan mahasiswa yang berhasil lulus, maka sistem akan memberikan prediksi peluang kelulusan yang tinggi.
Penelitian ini juga menyimpulkan bahwa nilai IPK (CGPA) adalah atribut yang paling berpengaruh dalam menentukan keberhasilan mahasiswa.
Menurut hasil penelitian tersebut – faktor-faktor lain yang juga relevan adalah nilai TOEFL, pengalaman penelitian, dan kualitas surat rekomendasi.
Dilansir dari IEEE Access – sistem berbasis machine learning seperti K-NN sangat membantu dalam pengambilan keputusan di sektor pendidikan, khususnya dalam pemberian peringatan dini dan intervensi akademik (IEEE Access – 2021).
Beberapa kampus kini mengembangkan sistem serupa untuk mendeteksi risiko akademik sejak dini, sehingga bimbingan bisa dilakukan lebih cepat.
Meski teknologi ini terbukti bermanfaat, penggunaannya tetap harus bijak dan memperhatikan aspek etika serta privasi data mahasiswa.
Menurut studi di Computers & Education – prediksi akademik yang dilakukan secara otomatis perlu dikaji secara etis agar tidak menimbulkan diskriminasi atau tekanan psikologis terhadap mahasiswa (Computers & Education – 2020).
Sistem ini seharusnya tidak digunakan untuk “menghakimi” potensi seseorang, tapi sebagai alat bantu yang membantu mahasiswa dan institusi membuat keputusan lebih baik.
Ke depan, integrasi machine learning dalam pendidikan bisa menjadi langkah positif selama transparan, akurat, dan fokus pada peningkatan kualitas pembelajaran.
Dengan data yang dikelola secara bertanggung jawab, teknologi seperti K-NN bisa menjadi alat bantu penting dalam mewujudkan pendidikan tinggi yang lebih adaptif dan responsif.
(KT)
Editor : ALengkong