HANDAYANI, Sri and Isnanto, R. Rizal and Warsito, Budi (2026) MODEL IDENTIFIKASI POTENSI MAHASISWA MENGGUNAKAN CO-TRAINING LSTM DAN SVM DENGAN PELABELAN SEMU DALAM PEMBELAJARAN SEMI TERPANDU. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text Cover.pdf Download (157kB)
	Text Cover lengkap.pdf Restricted to Repository staff only Download (912kB)
	Text Bab 1.pdf Download (304kB)
	Text Bab 2.pdf Download (724kB)
	Text Bab 3.pdf Restricted to Repository staff only Download (1MB)
	Text Bab 4.pdf Restricted to Repository staff only Download (1MB)
	Text Bab 5.pdf Restricted to Repository staff only Download (105kB)
	Text Daftar Pustaka.pdf Download (262kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (1MB)

Abstract

Mahasiswa merupakan aset yang harus dikelola oleh perguruan tinggi, karena mahasiswa adalah salah satu penentu kelangsungan hidup dan kualitas perguruan tinggi. Perguruan tinggi harus mampu menjaga hubungan dengan mahasiswa, mulai dari menarik minat calon mahasiswa, mengelola mahasiswa yang terdaftar, hingga menjalin hubungan dengan alumni dan pengguna alumni. Perguruan tinggi terkadang memiliki data terbatas tentang mahasiswanya maupun alumni. Penerapan algoritma co-training dalam pengelolaan mahasiswa menjadi salah satu alternatif untuk mengatasi jumlah data mahasiswa yang terbatas (berlabel). Data berlabel dapat dimanfaatkan untuk melatih model, karena jumlahnya hanya dibutuhkan antara 1% hingga 10% dan cukup representatif untuk memberikan informasi bermakna. Co-training dirancang untuk bekerja dengan dataset terbatas dari data berlabel, sementara sisanya tidak berlabel. Model ini mengandalkan data tidak berlabel untuk meningkatkan pelatihan. Disertasi ini, menganalisis cara mengidentifikasi mahasiswa sebagai pelanggan perguruan tinggi yang potensial menggunakan metode pembelajaran mesin semi-terpandu. Pendekatan co-training yang diuji menggabungkan model Long Short-Term Memory (LSTM) dan Support Vector Machine (SVM) untuk mengklasifikasikan mahasiswa. Proses co-training LSTM dan SVM pada penelitian ini dirancang untuk memanfaatkan data berlabel dan data tanpa label secara bersamaan guna meningkatkan performa identifikasi potensi mahasiswa. Pendekatan ini memanfaatkan dua model yang memiliki karakteristik berbeda, yaitu LSTM untuk memproses fitur sekuensial (misalnya perkembangan nilai per semester, prestasi, keaktifan organisasi) dan SVM untuk memproses fitur tabular atau non-sekuensial (misalnya indeks prestasi kumulatif, gaji orang tua, jumlah saudara). Co-training LSTM dan SVM diimplementasikan dalam web app dengan bahasa pemrograman Python yang dapat mengidentifikasi mahasiswa berpotensi dan tidak berpotensi. Hasil web app co-training LSTM dan SVM dapat dianalisis dan menjadi bahan masukan bagi institusi untuk mengetahui kondisi potensi mahasiswa yang sedang dalam proses pembelajaran di perguruan tinggi.
Kata kunci: Mahasiswa, Perguruan Tinggi, Manajemen Hubungan Pelanggan, Pembelajaran Semi Terpandu, Co-training LSTM - SVM

Students are strategic assets that must be actively managed, as they are central to a university’s sustainability and quality. Institutions therefore need to maintain strong relationships with students across the full lifecycle from attracting prospective applicants and supporting enrolled students to engaging alumni and employers. In practice, however, universities often face limited student and alumni data. To address scarce labeled data, this study adopts a co-training approach in which a small, representative labeled subset (approximately 1%–10%) is sufficient to train initial models, while the much larger pool of unlabeled records is leveraged to improve learning iteratively.This dissertation investigates how to identify highpotential students. The university’s core clientele using semi-supervised machine learning. The proposed co-training method combines a Long Short-Term Memory (LSTM) model and a Support Vector Machine (SVM) to classify students. LSTM processes sequential features (e.g., semester-by-semester grade progression, achievements, and organizational engagement), whereas SVM handles tabular or non-sequential features (e.g., cumulative GPA, parental income, and number of siblings). The LSTM–SVM co-training pipeline is implemented in a Python-based web application that differentiates between high-potential and lower-potential students. The outputs of the LSTM–SVM co-training web application can be analyzed and used by the institution to better understand the potential of students who are currently in the learning process at the university.
Keywords: Students, Higher Education Institutions (HEIs), Customer Relationship Management (CRM), Semi-supervised Learning, LSTM–SVM Cotraining

Actions (login required)

View Item