PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA LSTM DENGAN HYPERPARAMETER TUNING

Penelitian ini bertujuan untuk memprediksi kelulusan mahasiswa secara dini menggunakan algoritma Long Short-Term Memory (LSTM). Data historis nilai dan kehadiran mahasiswa selama lima tahun terakhir digunakan sebagai input untuk model prediksi. Fokus analisis diberikan pada nilai tertentu yang memiliki korelasi tinggi terhadap kelulusan. Algoritma LSTM dipilih karena kemampuannya menangkap pola temporal dan hubungan kompleks dalam data. Hasil penelitian menunjukkan bahwa model LSTM yang dikembangkan mampu memprediksi kelulusan dengan akurasi 90,94%, dengan kombinasi hyperparameter terbaik yaitu batch_size 32, epochs 20, dan optimizer adam. Nilai mata kuliah inti dan tingkat kehadiran tetap menjadi faktor penentu signifikan. Selain itu, model ini berhasil mengidentifikasi mahasiswa berisiko tidak lulus dengan presisi yang tinggi. Temuan ini diharapkan memberikan manfaat berupa peringatan dini bagi mahasiswa berisiko dan mendukung pengambilan keputusan akademik yang lebih efektif. Penelitian ini juga merekomendasikan penggunaan kombinasi hyperparameter optimal untuk meningkatkan akurasi prediksi, serta menjadi acuan bagi peningkatan kualitas pembelajaran dan tingkat kelulusan di masa depan.