Jaya Jaya Institut merupakan salah satu institusi pendidikan yang telah berdiri sejak tahun 2000. Namun, terdapat banyak siswa yang mengalami dropout sebelum menyelesaikan studi mereka. Institusi ini ingin mengidentifikasi mahasiswa yang berisiko tinggi melakukan dropout agar dapat diberikan bimbingan yang lebih baik.
- Mendeteksi mahasiswa yang memiliki risiko tinggi untuk dropout.
- Menganalisis faktor-faktor yang berkontribusi terhadap dropout.
- Menyediakan dashboard untuk memonitor performa mahasiswa.
- Pengolahan dan eksplorasi data performa mahasiswa.
- Pembuatan model prediksi dropout menggunakan Machine Learning.
- Deployment model dalam bentuk prototype aplikasi berbasis Streamlit.
- Pembuatan business dashboard untuk memonitor performa mahasiswa.
Sumber data: [https://github.com/dicodingacademy/dicoding_dataset/blob/main/students_performance/data.csv]
Setup environment:
pip install -r requirements.txt
Dashboard ini menampilkan berbagai informasi terkait performa mahasiswa dan dropout rate di Jaya Jaya Institut. Dashboard dibuat menggunakan Looker dan dapat diakses melalui link berikut:
https://lookerstudio.google.com/reporting/61342f1c-0387-4bc2-9cc1-fa0ce30fa7ce
Untuk menjalankan prototype sistem Machine Learning, gunakan perintah berikut:
streamlit run app.py
Pastikan file model.pkl sudah tersedia dalam direktori yang sama dengan app.py.
Prototype dapat diakses di Streamlit Cloud:
👉 Klik di sini untuk melihat prototype
Berdasarkan eksplorasi data (EDA) yang telah dilakukan, ditemukan bahwa tingkat dropout di Jaya Jaya Institut cukup tinggi, hampir mendekati jumlah mahasiswa yang lulus. Analisis lebih lanjut dilakukan untuk memahami faktor penyebab dropout dan karakteristik umum mahasiswa yang mengalami dropout.
- Prestasi Akademik Awal yang Rendah
Mahasiswa dengan Previous Qualification Grade dan Admission Grade yang lebih rendah cenderung memiliki kemungkinan dropout lebih tinggi. Korelasi antara Previous Qualification Grade dan Admission Grade cukup signifikan (0.58), yang menunjukkan bahwa mahasiswa yang masuk dengan nilai akademik rendah lebih rentan mengalami kesulitan dalam perkuliahan.
- Usia saat Pendaftaran
Mayoritas mahasiswa yang dropout memiliki usia pendaftaran lebih tinggi dibandingkan mereka yang tetap terdaftar atau lulus. Ini menunjukkan bahwa mahasiswa yang masuk perguruan tinggi pada usia yang lebih tua mungkin memiliki tantangan tambahan, seperti tanggung jawab keluarga atau pekerjaan, yang meningkatkan risiko dropout.
- Faktor Ekonomi (GDP)
Data menunjukkan adanya variasi distribusi GDP, yang bisa mengindikasikan bahwa faktor ekonomi berpengaruh terhadap dropout. Mahasiswa dari latar belakang ekonomi lebih rendah kemungkinan memiliki keterbatasan dalam membayar biaya pendidikan atau menghadapi tekanan ekonomi lainnya.
- Memiliki nilai kualifikasi sebelumnya dan nilai penerimaan yang lebih rendah dibandingkan mahasiswa yang lulus.
- Lebih banyak berasal dari kelompok usia yang lebih tua saat mendaftar di perguruan tinggi.
- Cenderung berasal dari wilayah dengan GDP lebih rendah, yang mengindikasikan faktor ekonomi sebagai salah satu penyebab dropout.
Model prediksi dropout berhasil dibuat dengan akurasi yang baik mencapai 88.59%. Model ini memungkinkan institusi untuk mengidentifikasi mahasiswa yang berisiko tinggi melakukan dropout sehingga dapat diberikan intervensi lebih awal.
- Meningkatkan program bimbingan akademik bagi mahasiswa dengan nilai awal rendah.
- Memberikan dukungan tambahan bagi mahasiswa yang masuk di usia lebih tua, seperti fleksibilitas jadwal atau program pembelajaran khusus.
- Menyediakan bantuan finansial atau beasiswa bagi mahasiswa dari latar belakang ekonomi lebih rendah untuk mengurangi tingkat dropout.
- Mengintegrasikan sistem prediksi dropout ini ke dalam sistem akademik institusi untuk pemantauan yang lebih efektif.