ABSTRAKSI: Dalam usaha meningkatkan kualitas dan daya saing sarjana, perguruan tinggi tentunya memiliki strategi-strategi tertentu untuk mencapai tujuannya. Penerapan strategi-strategi tersebut tentunya membutuhkan persiapan dan penyesuaian terhadap masalah yang dihadapi. Untuk hal itu, dibutuhkan identifikasi awal faktor apa saja yang berpengaruh terhadap keberhasilan studi mahasiswa. Keberhasilan studi mahasiswa dapat dilihat dengan Indeks Prestasi Kumulatif (IPK) mahasiswa tersebut. Penelitian ini berusaha mengidentifikasi faktor-faktor apa saja yang mempengaruhi keberhasilan studi mahasiswa yang ditunjukkan oleh IPK. Faktor-faktor tersebut kemudian digunakan sebagai input pada pembuatan model prediksi IPK menggunakan Artificial Neural Network (ANN). Pada penelitian ini juga dilakukan reduksi dimensi data-data predictor IPK menggunakan Principal Component Analisis (PCA). Akhirnya, penelitian ini membandingkan hasil prediksi IPK, antara data masukan yang belum direduksi dan data masukan yang telah direduksi. Analisis korelasi menunjukkan bahwa hanya faktor-faktor dari domain nilai di perguruan tinggi yang mempunyai nilai korelasi lebih dari 0.5. Faktor yang berkorelasi tinggi dengan IPK mahasiswa yaitu JUMLAH MUTU dengan nilai korelasi tertinggi: 0.921 untuk group IPA, 0.878 untuk group IPS, dan 0.838 untuk group IPC. PCA mereduksi data pada kelompok IPA dari 21 variabel menjadi 14 variabel, pada kelompok IPS dari 21 variable menjadi 13 variabel, dan pada kelompok IPC dari 25 variabel menjadi 20 variabel. Model prediksi menggunakan ANN dengan input data yang belum direduksi menghasilkan Mean Absolute Error (MAE) sebesar: 0.047, 0.033, 0.373, untuk kelompok IPA, IPS dan IPC, sedangkan MAE yang dihasilkan model prediksi dengan input data yang telah direduksi sebesar: 0.031, 0.028, 0.357 kelompok IPA, IPS dan IPC.
Kata Kunci : Keberhasilan Studi, IPK, Prediksi, Artificial Neural Network (ANN), Principal Component Analysis (PCA)ABSTRACT: In an effort to improve the quality and competitiveness of scholars, universities must have specific strategies to achieve its objectives. Implementation of these strategies would require preparation and adjustments to the problem at hand. For that matter, need early identification what factors affect the success of a student's study. The success of a student's study can be viewed with a grade point average (GPA) student. This study seeks to identify what factors are affecting the success of a student's study indicated by the GPA. These factors are then used as input in the GPA prediction model using Artificial Neural Network (ANN). This study was also conducted on the reduction of data dimension using Principal Component Analysis (PCA). Finally, this study compares the results of predicted GPA, with the input data that has not been reduced and data have been reduced. Correlation analysis show that only factors in the domain of university academic scores that have correlation values above 0.5. Factor that highly correlated to students’ GPA is JUMLAH MUTU with highest correlation value: 0.921 for IPA group, 0.878 for IPS group, and 0.838 for IPC group. PCA reduced the data in IPA group from 21 variables to 14 variables, in IPS group from 21 variables to 13 variables, and in IPC group from 25 variables to 20 variables. Prediction models using ANN with unreduced data input resulting Mean Absolute Error (MAE): 0.047, 0.033, 0.373, for IPA, IPS, and IPC group, while MAE for prediction models with reduced data input are: 0.031, 0.028, 0.357 for IPA, IPS, and IPC group.
Keyword: Students’ Success, GPA, Prediction, Artificial Neural Network (ANN), Principal Component Analysis (PCA)