PENGEMBANGAN SISTEM ANALISIS TRANSKRIP AKADEMIK BERBASIS WEB UNTUK PREDIKSI RISIKO AKADEMIK DAN REKOMENDASI BIDANG MINAT MAHASISWA
Keywords:
Decision Tree, prediksi Akademik, Ekstraksi Teks, Rekomendasi Minat, Machine LearningAbstract
Deteksi dini terhadap resiko kegagalan akademik serta pengarahan minat karir mahasiswa merupakan elemen krusial di perguruan tinggi. Namun, proses evaluasi seringkali berjalan lambat akibat pengolahan data transkrip yang masih manual penelitian ini mengusulkan sebuah sistem cerdas (SIAKAD AI) yang mengintegrasikan otomasi ekstraksi data nilai menggunakan library pdf plummer dengan pemodelan machine learning untuk menganalisis performa mahasiswa.Algoritma Decision Tree Classifier digunakan untuk memprediksi tingkat resiko akademik (Rendah, Sedang, Tinggi) berdasar data histori IPK, jumlah SKS, dan nilai mata kuliah prioritas selain itu, sistem menerapkan metode perhitungan multifaktor terbobot yang menggabungkan performa transkrip dengan Natural Language Processing (NLP) dari kuesioner untuk menghasilkan rekomendasi permintaan spesifik (seperti Web Development) serta saran tech stack industri, hasil pengujian menunjukan bawah model Decision Tree mampu mencapai tingkat akurasi yang tinggi dalam risiko akademik secara real-time, implementasi sistem ini terbukti mempermudah institusi dalam memberikan intervensi dini sekaligus membimbing strategi belajar mahasiswa secara personal.
References
Ahmed, A., Nipa, F. A., Bhuyian, W. U., Mushfique, K., Shahin, K. I., Nguyen, H., & Farid, D. (2024). Students ’ performance prediction employing Decision Tree. 16, 42–51. https://doi.org/10.22144/ctujoisd.2024. 321
Alalawi, K., Athauda, R., Chiong, R., & Renner, I. (2025). Evaluating the student performance prediction and action framework through a learning analytics intervention study. 2887–2916.
Fadhil, M., Ramadhan, S., Nur, M., & Shiddiq, A. K. (2025). Web Based Sales Information System Using the Waterfall Method for Cashier and Product Management. 3(1), 29–48.
Indra, A., Afif, N., Yusuf, A., & Setiaji, H. (2025). Smart Verification of High School Student Reports Using Optical Character Recognition and BERT Models. 17(3), 252–261.
Informatics, J., & Journal, C. E. (2021). Implementasi Metode Waterfall pada Sistem Penjualan Berbasis Website. 2(1), 29–38.
Juli, V. N., Gustian, A. S., Mahardika, F., & April, U. S. (2025). Analisis Klasifikasi Risiko Dropout Mahasiswa Menggunakan Algoritma Decision Tree dan Random Forest Penelitian ini difokuskan pada pengembangan dan evaluasi model klasifikasi untuk Random Forest . Dengan menggunakan data akademik historis , model yang dikembangkan.
Khairy, D., Alharbi, N., Amasha, M. A., & Areed, M. F. (2024). Prediction of student exam performance using data mining classification algorithms. Education and Information Technologies, 29(16), 21621–21645. https://doi.org/10.1007/s10639-024-12619-w
Romero, C., & Ventura, S. (n.d.). Educational Data mining and Learning Analytics : An updated survey.
Singh, S., Kevin, S., Jangid, K., & Singh, A. (2024). Evaluation of Student ’ s Performance Using Decision Tree Model. 7(8), 34–40.
Technology, B. (2025). Analisis Sistem Informasi Aplikasi Jasa Cuci Kendaraan Menggunakan Metode Waterfall. 1(1), 15–22.
Widiyanto, W. W., Sari, Y. K., & Susanto,
E. (2025). DEVELOPMENT AND EVALUATION OF A MEDICAL RECORD ED- UCATION SYSTEM USING THE WATERFALL MODEL WITH ISO 9126 / 25010 QUALITY MAPPING. 10(4), 4148–4154.
Yağcı, M. (2022). Educational data mining : prediction of students ’ academic performance using machine learning algorithms. https://doi.org/10.1186/s40561-022-00192-z
