Buka menu
Semua proyek

Prediksi Dini Mahasiswa Putus Kuliah

Tim 3 orang · BINUS · Aplikasi Streamlit + paper riset mata kuliah

Bisakah risiko putus kuliah terdeteksi saat pendaftaran, sebelum ada nilai semester pertama?

  1. Baca profil
  2. Perkirakan risikonya
  3. Bandingkan dengan ambang

Profil bawaan aplikasi

Status pernikahan
Lajang
Program studi
Biofuel Production Technologies
Pendidikan sebelumnya
Pendidikan menengah
Pendidikan ibu
Pendidikan menengah
Pendidikan ayah
Pendidikan menengah
Mahasiswa perantau
Tidak
Kebutuhan khusus
Tidak
Jenis kelamin
Perempuan
Usia saat mendaftar
18
Mahasiswa internasional
Tidak

34,0%Estimasi peluang putus kuliah

Ambang review 40%

Di bawah ambang: tidak ditandai.

Walkthrough output model yang sebenarnya. Random Forest, aplikasi live, 4 Okt 2026.

Peran saya
Melatih model aplikasi; membuat grafik dan menyunting paper.
Tim
3 mahasiswa: Saladin Zhalifunnas Ahfar, Michael Hendrilie, Valentino Allen Prasetyo. Dosen pembimbing: Rifqi Alfinnur Charisma, Henry Lucky
Stack
scikit-learn, XGBoost, Streamlit

Masalah

Universitas biasanya baru melihat risiko putus kuliah setelah nilai semester pertama keluar. Kami menguji seberapa dini risiko itu bisa terdeteksi.

Data: dataset UCI “Predict Students’ Dropout and Academic Success” (Realinho et al., 2022). Kelas “Enrolled” kami hapus, sehingga tersisa 3.630 data: 2.209 Graduate dan 1.421 Dropout.

Pendekatan

Proyek ini punya dua bagian, dan angkanya berbeda karena setup-nya berbeda. Aplikasi memakai 10 fitur yang tersedia saat pendaftaran dan threshold yang disetel untuk recall. Paper hanya memakai variabel sebelum penerimaan, pembagian data 80:20, dan SMOTE pada data training.

Bagian A: aplikasi EarlyDrop

Alat skrining berbasis Streamlit. Kami membandingkan lima pipeline (Random Forest, Extra Trees, SVM dengan kernel RBF, logistic regression, dan gradient boosting) lalu memilih Random Forest, dengan decision threshold 0,40 untuk mengejar recall.

Aplikasi ini tidak memakai data semester, jadi tidak ada informasi dari setelah pendaftaran yang bocor ke prediksi. Kodenya dilengkapi unit test.

Bagian B: paper riset

“Early Student Dropout Prediction Using Pre-Acceptance Variables with Gaussian Naive Bayes and XGBoost.” Paper mata kuliah (tidak dipublikasikan), Research Methodology in Computer Science (COMP6696), BINUS, Juni 2026.

Kami membandingkan Gaussian Naive Bayes dan XGBoost dalam dua setting fitur: Background-Only dan Background-Application.

EarlyDrop di Streamlit: contoh profil mahasiswa yang dinilai berisiko lebih rendah, dengan estimasi peluang putus kuliah 34,0% terhadap ambang review 40%
Aplikasi EarlyDrop · contoh profil, diambil dari aplikasi live pada 4 Okt 2026

Hasil

Aplikasi EarlyDrop

Recall yang tinggi ada harganya. Dengan precision 0,537, sekitar 46% mahasiswa yang ditandai di test set ternyata tidak putus kuliah.

Paper riset

Gaussian Naive Bayes mencapai recall 0,94 sampai 0,97, tetapi precision-nya di bawah 0,40, sehingga terlalu banyak mahasiswa yang ditandai. Data sebelum penerimaan memberi sinyal awal yang berguna, meski kekuatannya sedang.

Aplikasi EarlyDrop, test set (Random Forest, threshold 0,40)
MetrikNilai
Recall0,838
Precision0,537
F10,655
ROC-AUC0,775
Accuracy0,654
Paper riset, XGBoost dengan fitur Background-Application
MetrikNilai
Accuracy0,733
Precision0,651
Recall0,683
F10,667
Grafik batang sepuluh fitur XGBoost yang paling berpengaruh pada setting Background-Application
Fig. 2. Top-10 feature importance XGBoost (Background-Application). Grafik oleh Allen.
Distribusi probabilitas putus kuliah hasil prediksi untuk mahasiswa Graduate dan Dropout
Fig. 3. Distribusi probabilitas prediksi XGBoost. Grafik oleh Allen.

Yang saya kerjakan

Paper (peran CRediT): Investigation, Visualization, dan Writing: review and editing. Saya membuat visualisasi risetnya: perbandingan model, grafik feature importance Top-10 XGBoost (Fig. 2), dan distribusi probabilitas prediksi (Fig. 3).

Aplikasi: training model dan tuning threshold (commit tercatat atas akun Saladin karena training dijalankan di komputernya).

Keterbatasan

EarlyDrop adalah alat bantu keputusan. Setiap tanda perlu ditinjau manusia sebelum ada tindakan.

Kedua bagian memakai satu dataset publik, jadi hasilnya belum tentu berlaku di universitas lain.

Data sebelum penerimaan saja hanya memberi sinyal sedang. F1 terbaik di paper adalah 0,667.

Aplikasi EarlyDrop

Paper riset

Proyek berikutnya

Proyek berikutnya: FootFit
Email sayaUnduh CV (English)