Optimasi Algoritma Logistic Regression untuk Memprediksi Risiko Dropout Mahasiswa dengan Teknik K-Fold

Abstract

Penelitian ini mengusulkan pengembangan model prediktif untuk mengidentifikasi potensi mahasiswa mengalami putus studi dengan memanfaatkan algoritma Logistic Regression yang dioptimalkan melalui penerapan teknik validasi silang K-Fold. Dataset yang digunakan mencakup berbagai atribut yang merepresentasikan aspek akademik dan kondisi sosial ekonomi mahasiswa, yang sebelumnya telah melalui tahapan pra-pemrosesan, meliputi penanganan data hilang, transformasi variabel kategorikal menjadi bentuk numerik, serta normalisasi fitur. Evaluasi kinerja model dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score sebagai indikator utama. Berdasarkan hasil validasi, model menunjukkan performa yang konsisten dan unggul, dengan rata-rata akurasi sebesar 83,20% pada skema validasi K=5 dan meningkat menjadi 94,6% pada K=10. Temuan ini menegaskan bahwa pendekatan Logistic Regression layak diterapkan sebagai sistem deteksi dini (early warning system) yang efektif dalam lingkungan pendidikan tinggi. Selain itu, penelitian ini membuka peluang untuk pengembangan lebih lanjut melalui eksplorasi fitur tambahan, penerapan algoritma pembanding, serta pemanfaatan teknik ensemble learning dan penyetelan hiperparameter guna meningkatkan akurasi dan ketahanan model prediksi.