INTEGRASI K-MEANS, LOGISTIC REGRESSION, DAN SURVIVAL ANALYSIS DALAM EDUCATIONAL DATA MINING UNTUK PREDIKSI LAMA STUDI DENGAN GENDER SEBAGAI VARIABEL Dr. Bambang P.D.P, S.E., Ak., S.Kom., MMSI Primary Author ROCHMANA, LINTANG SUCI - 247110013 Primary Author mixed material bibliography Yogyakarta UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI) 2026 monographic id Indonesia

Text Skripsi

010 MTI 2026 Efisiensi lama studi mahasiswa merupakan indikator penting mutu perguruan tinggi, sehingga diperlukan pendekatan analitis untuk memprediksi risiko keterlambatan studi sejak dini. Penelitian ini mengintegrasikan metode K- Means Clustering, uji Chi-Square, Logistic Regression, dan Survival Analysis dalam pendekatan Educational Data Mining untuk memprediksi lama studi mahasiswa dengan gender sebagai variabel. Data yang digunakan berupa data simulasi sebanyak 5.000 mahasiswa dengan variabel gender, Indeks Prestasi Semester (IPS) semester 1–4, akumulasi nilai C, D, dan E, status kelulusan, serta lama studi. Hasil K-Means Clustering mengidentifikasi tiga klaster trajektori prestasi akademik awal, yaitu Stabil Tinggi, Stabil Menengah, dan Stabil Rendah, dengan Silhouette Score 0,4302 yang menunjukkan struktur klaster yang valid. Uji Chi-Square menunjukkan hubungan signifikan tetapi lemah antara gender dan klaster prestasi (χ² = 92,16; p = 0,0000; Cramer's V = 0,1358). Model Logistic Regression mencapai akurasi 91% dan AUC 0,963 dalam memprediksi kelulusan tepat waktu, dengan klaster Stabil Rendah dan akumulasi nilai D/E menjadi faktor penurun peluang kelulusan tepat waktu. Hasil Survival Analysis melalui Kaplan- Meier dan model Weibull Accelerated Failure Time (AFT) menunjukkan klaster Stabil Rendah memiliki Acceleration Factor 1,22 (mahasiswa membutuhkan waktu 22% lebih lama), dengan Concordance Index 0,928 yang mengindikasikan performa diskriminasi model yang sangat baik. Penelitian ini juga mengembangkan prototype dashboard akademik sebagai sistem pendukung keputusan untuk deteksi dini risiko keterlambatan studi. Temuan penelitian membuktikan bahwa integrasi Educational Data Mining dapat menjadi landasan konseptual pengembangan sistem peringatan dini akademik berbasis data untuk mendukung pengambilan keputusan akademik di perguruan tinggi. Weibull AFT SURVIVAL ANALYSIS LOGISTIK REGRESION K-Means Clustering Educational Data Mining NONE Perpustakaan Universitas Teknologi Digital Indonesia Katalog Online Perpustakaan Universitas Teknologi Digital Indonesia 010 ROC I R.1 ROC0010MTI2026 RAK REFERENSI TESIS MTI 010 ROC I R.1 18610 2026-10-21 11:48:48 2026-10-21 11:50:10 machine generated