Proyek ini mencakup analisis machine learning untuk memprediksi potensi mahasiswa putus kuliah (dropout) dan keberhasilan akademis (graduate) berdasarkan tren akademis semester awal serta kondisi sosio-demografi, sekaligus menyediakan dashboard interaktif untuk memantau metrik performa mahasiswa, persebaran data, dan indikator akademis secara visual dan informatif.
Dataset ini berasal dari sebuah lembaga pendidikan tinggi yang mencakup data mahasiswa dari berbagai program studi. Data ini menggabungkan informasi yang diketahui saat pendaftaran (seperti latar belakang sosio-demografi, jalur pendaftaran, kualifikasi serta pekerjaan orang tua, status beasiswa, dan indikator makroekonomi) dengan performa akademis mahasiswa pada semester pertama dan kedua, seperti jumlah SKS yang diambil, dievaluasi, diluluskan, serta rata-rata nilai.
Jaya Jaya Institut merupakan salah satu institusi perguruan tinggi yang berdiri sejak tahun 2000 dan telah mencetak banyak lulusan berkualitas. Meskipun memiliki reputasi yang baik, institusi ini menghadapi tantangan besar berupa tingginya angka pengunduran diri mahasiswa (dropout). Tingginya angka dropout ini berpotensi merugikan institusi secara finansial, menurunkan efisiensi alokasi sumber daya akademik, serta mengganggu reputasi jangka panjang institusi. Oleh karena itu, Jaya Jaya Institut membutuhkan sistem deteksi dini (early warning system) untuk mengidentifikasi mahasiswa yang berisiko dropout sejak semester awal agar intervensi dan bimbingan khusus dapat diberikan secara tepat waktu.
- Seberapa signifikan faktor finansial (status pembayaran UKT, tunggakan utang, dan penerimaan beasiswa) terhadap risiko dropout mahasiswa?
- Bagaimana performa akademik awal (pencapaian SKS lulus dan rata-rata nilai pada semester 1 & 2) memengaruhi risiko dropout?
- Bagaimana faktor demografi (seperti usia saat mendaftar dan gender) memengaruhi tingkat retensi mahasiswa?
- Program studi mana saja yang memiliki angka dropout paling kritis, dan bagaimana pengaruh waktu perkuliahan (kelas siang vs. kelas malam) terhadap retensi?
Business Dashboard interaktif dikembangkan menggunakan Data Studio untuk membantu pemangku kepentingan di Jaya Jaya Institut dalam memantau tren, evaluasi performa akademik, dan menganalisis faktor pemicu dropout mahasiswa secara visual dan terstruktur.
Dashboard ini mengintegrasikan seluruh modul analisis data ke dalam tampilan visual yang intuitif, dilengkapi metrik real-time serta filter interaktif:
- Metrik Utama (Scorecard KPI)
Di bagian atas dashboard, ditampilkan 4 indikator kinerja utama:
- Total Students: 4.424 Mahasiswa
- Total Dropout: 1.421 Mahasiswa
- Dropout Rate: 32,12%
- Total Graduate: 2.209 Mahasiswa
- Komponen Visualisasi & Pemetaan Data
- Gambaran Umum & Demografi Mahasiswa:
- Mahasiswa yang mendaftar pada usia ideal (18-20 tahun) memiliki tingkat kelulusan tinggi (usia 18 tahun mencapai kelulusan 63,9%). Sebaliknya, mahasiswa yang mendaftar di usia dewasa/di atas 24 tahun (Others) mengalami dropout rate tertinggi sebesar 55,2% (631 dari 1.143 mahasiswa).
- Mahasiswa perempuan menunjukkan retensi sangat baik dengan kelulusan 57,9%. Sementara mahasiswa laki-laki memiliki kerentanan dropout tinggi mencapai 45,1% (701 orang) dan menyumbang hampir separuh (49,3%) dari total seluruh kasus dropout kampus.
- Faktor Risiko Finansial & Beasiswa:
- Menampilkan indikator kritis di mana 86,6% mahasiswa yang menunggak UKT (457 dari 528 orang) berakhir dropout. Sebaliknya, mahasiswa yang melunasi UKT tepat waktu memiliki dropout rate jauh lebih rendah (24,7%).
- Penerima beasiswa (835 mahasiswa) mencatatkan tingkat kelulusan 76,0% dan menekan dropout rate hingga tersisa 12,2%. Pada kelompok non-beasiswa, angka dropout melonjak hingga 38,7%.
- Performa Akademik & Risiko Program Studi:
- Rata-rata SKS lulus populasi adalah 4,71 (Sem 1) dan 4,44 (Sem 2). Mahasiswa yang lulus konsisten menyelesaikan > 6 SKS per semester, sedangkan mahasiswa dropout hanya menyelesaikan rata-rata 2,55 SKS di Semester 1 dan anjlok menjadi 1,94 SKS di Semester 2.
- Memetakan 4 jurusan dengan dropout rate di atas 50%, yaitu Biofuel Production Tech. (67%), Equinculture (55%), Informatics Engineering (54%), dan Management Evening (51%).
- Kesimpulan Eksekutif & Rekomendasi Strategis:
- Menyajikan rangkuman Key Conclusions serta Strategic Recommended Actions berbasis data untuk memudahkan manajemen dalam mengambil keputusan intervensi retensi secara cepat.
- Gambaran Umum & Demografi Mahasiswa:
- Fitur Interaktif & Tautan Akses
- Filter Interaktif: Dashboard dilengkapi kontrol penyaringan dinamis berdasarkan Program Studi, Gender, Waktu Perkuliahan, Status UKT, Penunggak Utang, dan Penerima Beasiswa untuk eksplorasi data secara mendalam.
- Link Business Dashboard: Student Performance & Early Warning Dashboard
Berdasarkan hasil analisis data dan pemodelan machine learning, berikut adalah kesimpulan utama proyek ini:
- Keterlambatan pembayaran UKT dan status tunggakan utang (debtor) merupakan faktor paling signifikan pemicu dropout. Mahasiswa yang menunggak UKT mencatatkan dropout rate sebesar 86,6% (dibandingkan 24,7% pada mahasiswa yang lunas), dan 62,0% mahasiswa berstatus debtor mengalami dropout. Sebaliknya, penerima beasiswa terbukti memiliki dropout rate jauh lebih rendah (12,2%) dibandingkan kelompok non-beasiswa (38,7%).
- Pencapaian SKS lulus dan rata-rata nilai pada dua semester awal merupakan indikator kunci. Mahasiswa yang berhasil lulus (Graduate) rata-rata menyelesaikan > 6 SKS per semester dengan rerata nilai di atas 12,6. Sementara mahasiswa dropout hanya menyelesaikan rata-rata 2,55 SKS di semester 1 dan 1,94 SKS di semester 2 dengan rerata nilai di bawah batas kelulusan (< 7,3).
- Mahasiswa berusia lebih tua saat mendaftar (median 23 tahun) dan mahasiswa laki-laki memiliki kerentanan dropout lebih tinggi. Dropout rate mahasiswa laki-laki mencapai 45,1% (dibandingkan perempuan sebesar 25,1%), sedangkan mahasiswa yang mendaftar pada kelompok usia dewasa (> 24 tahun) mencatatkan tingkat dropout sebesar 55,2%.
- Empat program studi mencatatkan dropout rate paling kritis di atas 50%, yaitu Biofuel Production Technologies (66,7%), Equinculture (55,3%), Informatics Engineering (54,1%), dan Management Evening (50,7%). Selain itu, mahasiswa kelas malam memiliki angka dropout lebih tinggi (42,9%) dibandingkan kelas siang (30,8%).
- Menyediakan opsi cicilan UKT, perpanjangan tenggat pembayaran, serta alokasi dana darurat khusus bagi mahasiswa berstatus debtor. Selain itu, perluas alokasi beasiswa berbasis kebutuhan ekonomi bagi mahasiswa non-beasiswa yang mengalami kendala finansial.
- Mewajibkan program bimbingan akademik dan tutoring intensif bagi mahasiswa yang menyelesaikan SKS < 4 atau memperoleh rata-rata nilai < 10 pada semester 1 dan 2 untuk mencegah akumulasi kegagalan studi.
- Menyediakan fleksibilitas jam konsultasi, kelompok studi terarah (peer-mentoring), serta akses materi pembelajaran digital mandiri khusus bagi mahasiswa laki-laki, mahasiswa kelas malam, dan mahasiswa usia dewasa yang umumnya berkuliah sembari bekerja.
- Melakukan peninjauan ulang terhadap struktur kurikulum, tingkat kesulitan materi, dan alokasi beban SKS pada 4 program studi dengan dropout rate > 50% serta program kelas malam guna meningkatkan kelulusan mahasiswa.
| Kategori | Teknologi yang Digunakan |
|---|---|
| 🌐 Programming Language | Python |
| 🌱 Environment | Jupyter Notebook |
| 🧩 Framework | Streamlit |
| ⚛️ Libraries | pandas, matplotlib, seaborn, scikit-learn, Joblib |
| ⚡ Tools | Google Colab, Data Studio |
| 🚀 Deployment | Streamlit Community Cloud |
-
Prasyarat
- Python 3.11 atau lebih baru.
- Git terinstal di komputer.
-
Clone Repositori
git clone https://github.com/Fikri-Rouzan/edupulse-analytics.git
cd edupulse-analytics- Buat Virtual Environment
# Windows
python -m venv venv
venv\Scripts\activate
# macOS/Linux
python3 -m venv venv
source venv/bin/activate- Install Dependensi
pip install -r requirements.txt- Menjalankan Dashboard Streamlit
streamlit run dashboard/dashboard.py