Perancangan Business Intelligence untuk Prediksi Risiko Drop Out Mahasiswa Berdasarkan Analisis Data Historis
DOI:
https://doi.org/10.38035/jemsi.v7i2.6991Keywords:
Business Intelligence, Prediksi Drop Out, Data Historis, Machine Learning, Dashboard AnalitikAbstract
Penelitian ini bertujuan untuk merancang sistem Business Intelligence (BI) yang mampu memprediksi risiko drop out mahasiswa berdasarkan data akademik historis. Sistem dikembangkan dengan pendekatan data-driven melalui tahapan extract, transform, dan load (ETL), kemudian dilakukan pemrosesan dan analisis menggunakan beberapa algoritma klasifikasi seperti Decision Tree, Random Forest, dan Logistic Regression. Model terbaik dievaluasi menggunakan metrik akurasi, presisi, dan recall. Implementasi dilakukan menggunakan framework Streamlit untuk menyajikan dashboard interaktif yang memvisualisasikan hasil analisis risiko dalam berbagai tampilan seperti Dashboard Analitik, Prediksi Individu, dan Analisis Mahasiswa. Hasil penelitian menunjukkan bahwa sistem BI yang dirancang mampu menampilkan informasi prediksi risiko secara real-time dan membantu pihak kampus dalam melakukan intervensi dini terhadap mahasiswa berisiko tinggi.
References
D. M. Córdova-Esparza et al., “Predicting and Preventing School Dropout with Business Intelligence: Insights from a Systematic Review,” Apr. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/info16040326.
L. Aulck, N. Velagapudi, J. Blumenstock, and J. West, “Predicting Student Dropout in Higher Education,” Mar. 2016, [Online]. Available: http://arxiv.org/abs/1606.06364
A. Edenito, “Analisis Sentimen Masyarakat Pada Media Sosial Twitter Tehadap Saham Syariah Menggunakan Metode Naive Bayes Classifier Dan Support Vector Machine (Svm),” pp. 1–23, 2016.
V. P. Nugraha, “Prediksi Risiko Cuti Akademik Mahasiswa Berdasarkan Performa Awal dengan Decision Tree Predicting Student Academic Leave Risk Based on Early Performance Using Decision Tree Algorit ... Prediksi Risiko Cuti Akademik Mahasiswa Berdasarkan Performa Awal deng,” no. July, pp. 0–12, 2025, doi: 10.34010/jati.vxix.xxxxx.
Haditama, M. R. (2023). Analisis dan Pembuatan Dashboard Prediksi Kelulusan Mahasiswa Menggunakan Metode Random Forest, Naïve Bayes dan Support Vector Machine. Skripsi. Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Kurniawati, “KLASIFIKASI DATA MAHASISWA LAMPAU MENGGUNAKAN METODE DECISION TREE DAN SUPPORT VECTOR MACHINE THESIS Oleh: KURNIAWATI NIM. 200605220016 PROGRAM STUDI MAGISTER INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 2,” 2024.
T. A. Marzuqi, E. Kristiani, and Marcel, “Prediksi Mahasiswa Drop-Out Di Universitas XYZ,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 6, pp. 1345–1350, Dec. 2024, doi: 10.25126/jtiik.2024118689.
Z. S. Bischof, F. E. Bustamante, and N. Feamster, “Characterizing and Improving the Reliability of Broadband Internet Access,” Sep. 2017, [Online]. Available: http://arxiv.org/abs/1709.09349
Y. Yang, Z. Wen, J. Cao, J. Shen, H. Yin, and X. Zhou, “EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors,” Jun. 2020, [Online]. Available: http://arxiv.org/abs/2006.03857
A. Menolli, F. Horita, J. J. L. Dias, and R. Coelho, “BI-based methodology for analyzing higher education: A case study of dropout phenomenon in information systems courses,” in ACM International Conference Proceeding Series, Association for Computing Machinery, Nov. 2020. doi: 10.1145/3411564.3411636.
S. Hafidzul Haq et al., “Peran Manajemen Sekuriti Dalam Meningkatkan Kesadaran Keamanan Data Mahasiswa Pada Sistem Informasi Akademik Ubhara Jaya,” Orbit J. Ilmu Multidisiplin Nusant., vol. 1, no. 2, pp. 35–50, 2025, doi: 10.63217/orbit.v1i2.77.
A. S. Puspaningrum, “Pengukuran Kesesuaian Fungsional Dengan Pendekatan Berorientasi Tujuan Pada Sistem Informasi Akademik (SIA) Berdasarkan Model Kualitas ISO/IEC 25010,” Tesis, no. Institut Teknologi Sepuluh Nopember, 2017.
P. A. Sunarya, M. Asri, N. Azizah, and C. P. Lim, “Evaluation of Educational Information Systems for Data and Decision Management,” J. MENTARI Manajemen, Pendidik. dan Teknol. Inf., vol. 3, no. 2, pp. 118–126, 2025, doi: 10.33050/mentari.v3i2.738.
A. P. Anugraeni, W. Purnomo, and N. Y. Setiawan, “Pembangunan Dashboard Business Intelligence Visualisasi Data Akademik Pada MTsN 3 Malang,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 1, pp. 1–10, 2017, [Online]. Available: http://j-ptiik.ub.ac.id
H. F. Ramadhan, A. Fauzi, C. N. Rupelu, D. P. Aprillia, N. D. Anjani, and Halimatusadiah, “Pengaruh Business Intelligence Terhadap Perusahaan Dalam Pengambilan Keputusan : Business Intelligence , Arsitektur Bi Dan Data Warehouse ( Kajian Studi Business Intelligence ),” JEMSI (Jurnal Ekon. Manaj. Sist. Informasi), vol. 3, no. 6, pp. 639–644, 2022, doi: 10.31933/jemsi.v3i6.
R. Nabilatulrahmah et al., “Analisis Risiko Akademik Siswa Dengan Metode K-Means: Studi Kasus Smpn 10 Palembang,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 4, pp. 6766–6773, 2025, doi: 10.36040/jati.v9i4.14181.
H. Abijono, P. Santoso, and N. L. Anggreini, “Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data,” J. Teknol. Terap. G-Tech, vol. 4, no. 2, pp. 315–318, 2021, doi: 10.33379/gtech.v4i2.635.
D. M. A. M. Sanjaya, A. A. I. I. Paramitha, and N. W. Utami, “Penerapan Data Mining untuk Prediksi Mahasiswa Berpotensi Non-Aktif Menggunakan Algoritma C4.5: Studi Kasus STMIK Primakara,” J. Ilm. Ilmu Terap. Univ. Jambi, vol. 6, no. 1, pp. 84–97, 2022, doi: 10.22437/jiituj.v6i1.19600.
D. A. Sa’adah, “Tren Integrasi Kecerdasan Buatan dalam Sistem Informasi Manajemen Pendidikan: Peluang dan Tantangan,” vol. 1, no. 1, pp. 1–7, 2025.
A. W. Abdullah and A. Muhid, “Social Support, Academic Satisfaction, and Student Drop Out Tendency/ Dukungan Sosial, Academic Satisfaction, dan Kecenderungan Drop Out pada Mahasiswa,” Psikoislamika J. Psikol. dan Psikol. Islam, vol. 18, no. 1, pp. 174–187, 2021, doi: 10.18860/psikoislamika.v18i1.11546.
S. Linawati, S. Nurdiani, K. Handayani, and L. Latifah, “Prediksi Prestasi Akademik Mahasiswa Menggunakan Algoritma Random Forest Dan C4.5,” J. Khatulistiwa Inform., vol. 8, no. 1, pp. 47–52, 2020, doi: 10.31294/jki.v8i1.7827.
S. D. Puspa, J. Riyono, C. E. Pujiastuti, and F. Puspitasari, “Pelatihan Pembuatan Dashboard dan Visualisasi Data dengan Looker Studio untuk Penguatan Literasi Data dan Digital,” J. Pengabdi. Masy. dan Apl. Teknol., vol. 3, no. 2, pp. 78–85, 2024, doi: 10.31284/j.adipati.2024.v3i2.6272.
A. A. Jabar, R. F. Wijaya, and S. Wahyuni, “Dashboard Visualisasi Data Kecerdasan Bisnis Untuk Mendukung Pengambilan Keputusan Bisnis Pada Pt Bmpt,” Djtechno J. Teknol. Inf., vol. 6, no. 1, pp. 75–89, 2025, doi: 10.46576/djtechno.v6i1.6038.
D. Khoirunnisa, “Sentimen Analisis terhadap penggunaan ChatGPT menggunakan metode Support Vector Machine (Studi kasus : Opini penggunaan ChatGPT pada Twitter),” 2024.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Daffa Imani Saputra, Darius Andana Haris
This work is licensed under a Creative Commons Attribution 4.0 International License.
Hak cipta :
Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:
- Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
- Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI).
