PENERAPAN ALGORITMA MONTE CARLO UNTUK MEMPREDIKSI IPS DAN IPK BERDASARKAN KARAKTERISTIK MAHASISWA PERGURUAN TINGGI X DI KOTA CIREBON

Authors

  • Husni Hidayat Malik UNIVERSITAS AMIKOM YOGYAKARTA
  • Alva Hendi Muhammad Universitas AMIKOM Yogyakarta
  • Kusnawi Kusnawi Universitas AMIKOM Yogyakarta

DOI:

https://doi.org/10.61434/technovatar.v2i4.225

Keywords:

IPS, IPK, Markov Chain Monte Carlo, Prediksi, Karakteristik Mahasiswa

Abstract

Penelitian ini bertujuan untuk memprediksi Indeks Prestasi Semester (IPS) dan Indeks Prestasi Kumulatif (IPK) mahasiswa berdasarkan beberapa variabel karakteristik menggunakan algoritma Markov Chain Monte Carlo (MCMC). Variabel yang digunakan dalam penelitian ini meliputi program studi, golongan darah, pekerjaan ayah, pekerjaan ibu, dan jalur masuk. Prediksi nilai IPS dan IPK sangat penting untuk mengevaluasi kinerja akademik mahasiswa dan memberikan wawasan bagi kebijakan pendidikan di perguruan tinggi.

Metode penelitian ini melibatkan penggunaan algoritma MCMC untuk memodelkan hubungan antara variabel karakteristik dengan IPS dan IPK. Data yang digunakan terdiri dari 250 mahasiswa, yang kemudian dibagi menjadi data pelatihan dan pengujian dengan rasio 80:20. Metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R²) digunakan untuk mengevaluasi akurasi model prediksi.

Hasil penelitian menunjukkan bahwa model MCMC mampu memprediksi IPS dan IPK dengan akurasi yang baik, ditunjukkan oleh nilai MAE sebesar 0.12 untuk IPS dan 0.11 untuk IPK, serta R² sebesar 0.78 untuk IPS dan 0.80 untuk IPK. Variabel program studi dan jalur masuk muncul sebagai faktor yang paling signifikan dalam mempengaruhi nilai akademik mahasiswa, sementara golongan darah memiliki pengaruh yang lebih rendah. Pekerjaan ayah dan pekerjaan ibu juga memberikan kontribusi moderat terhadap prediksi hasil akademik.

Kesimpulannya, algoritma MCMC efektif digunakan untuk memprediksi IPS dan IPK berdasarkan karakteristik mahasiswa, memberikan wawasan bagi institusi pendidikan dalam mengambil keputusan terkait pembinaan dan pengelolaan akademik.

References

Hamali, S. 29 Desember 2017, SIMULASI MONTE CARLO, https://bbs.binus.ac.id/management/2017/12/simulasi-monte-carlo/

Prasetyowati, et al. 2018. Pre-Adult Survey to Identify the Key Container Habitat of Aedes Aegypti (L.) in Dengue Endemic Areas of Banten Province, Indonesia. Southeast Asian Journal of Tropical Medicine and Public Health, 49, 23-31.

Azahra, A.A. 2022. Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Metode Regresi Linier Sederhana. Bulletin of Applied Industrial Engineering Theory. Vol. 3 No.1 Maret 2022.

Acharya, M. A., Armaan, A., Antony, A.S. 2019. A Comparison of Regression Models for Prediction of Graduate Admissions. econd International Conference on Computational Intelligence in Data Science (ICCIDS-2019).

Putra, R.D., Apridiansyah, Y., Sahputra, E. Penerapan Metode Monte Carlo pada Simulasi Prediksi Jumlah Calon Mahasiswa Baru Universitas Muhammadiyah Bengkulu. Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer.

Sepriano, Efitra, Susanti, T. 2021. SIMULASI MONTE CARLO DALAM MEMPREDIKSI PESERTA DIDIK BARU ( STUDI KASUS DI SMKN 3 MUARA BUNGO ). Prosiding Seminar Nasional Sains dan Teknologi Terapan, Vol. 4, No. 1, September 2021.

Depdiknas. (2012). Kamus Besar Bahasa Indonesia Edisi ke-4. Jakarta: PT Gramedia Pustaka Utama.

Republik Indonesia. Undang-Undang No. 12 tahun 2012 tentang Pendidikan Tinggi. In: Lembaran Negara RI Tahun 2012, No 158. Jakarta: Sekretariat Negara; 2012.

Paixão, K.W.M., dan Silva, A. M. 2018. SALES FORECASTING IN A MECHANICAL COMPONENT MANUFACTURER: COMPARISON BETWEEN MONTE CARLO SIMULATION AND TIME SERIES ANALYSIS. INDEPENDENT JOURNAL OF MANAGEMENT & PRODUCTION (IJM&P). v. 10, n. 4, Special Edition IFLOG 2018.

FERNANDES, CAB de A. (2005) Gerenciamento de riscos em projetos: como usar o Microsoft Excel para realizar a simulação Monte Carlo. Fundação Getúlio Vargas.

Akbar, A.A., Alamsyah, H., dan Riska. 2020. SIMULASI PREDIKSI JUMLAH MAHASISWA BARU UNIVERSITAS DEHASEN BENGKULU MENGGUNAKAN METODE MONTE CARLO. Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845.

Jones, A.M., dan Lomas, J. 2016. A quasi-Monte-Carlo comparison of parametric and semiparametric regression methods for heavy-tailed and non-normal data: an application to healthcare costs. Journal of the Royal Statistical Society.

Lee, D., Park, S., Jung, N., & Chun, M. 2007. for Data Modeling. 224–231.

Brooks, S., Gelman, A., Jones, G., & Meng, X.-L. (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC.

Published

09-09-2024

How to Cite

Malik, H. H., Muhammad, A. H., & Kusnawi, K. (2024). PENERAPAN ALGORITMA MONTE CARLO UNTUK MEMPREDIKSI IPS DAN IPK BERDASARKAN KARAKTERISTIK MAHASISWA PERGURUAN TINGGI X DI KOTA CIREBON. TECHNOVATAR Jurnal Teknologi, Industri, Dan Informasi, 2(4), 81–96. https://doi.org/10.61434/technovatar.v2i4.225

Issue

Section

Articles