Perancangan Early Warning System Berbasis Data Warehouse untuk Pencegahan Mahasiswa Drop Out

Abstract

Translate Article

Perguruan tinggi memerlukan pengelolaan data terintegrasi berbasis analitik untuk mendukung pengambilan keputusan dan pencegahan drop out mahasiswa. Penelitian ini bertujuan merancang model Data Warehouse (DW) sebagai fondasi pengembangan Early Warning System (EWS) untuk mendeteksi risiko drop out mahasiswa di Universitas Paramadina. Perancangan DW menggunakan pendekatan Kimball dengan penerapan star schema yang mengintegrasikan data dari beberapa proses bisnis, yaitu akademik, keuangan dan aktivitas pembelajaran berbasis LMS. Pengembangan EWS dirancang menggunakan pendekatan klasifikasi supervised learning dengan logistic regression sebagai model dasar serta mengusulkan random forest sebagai pengembangan lanjutan. Hasil penelitian menunjukkan bahwa integrasi DW mampu mendukung analisis prediktif berbasis machine learning dan menjadi landasan strategis pencegahan risiko drop out mahasiswa.