Penggunaan Metode Artificial Neural Network Untuk Prediksi Kelulusan Mahasiswa Fakultas Sains Dan Teknologi UIN Ar-Raniry Banda Aceh

Tingkat kelulusan mahasiswa merupakan salah satu parameter utama dalam mengevaluasi mutu dan kinerja suatu perguruan tinggi. Namun, dalam pelaksanaannya masih dijumpai mahasiswa yang tidak dapat menyelesaikan studi tepat waktu. Permasalahan tersebut juga dialami oleh Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, UIN Ar- Raniry Banda Aceh. Oleh sebab itu, diperlukan pendekatan berbasis data yang mampu melakukan prediksi kelulusan mahasiswa sejak dini guna menunjang pengambilan keputusan akademik yang lebih tepat dan terarah. Penelitian ini bertujuan untuk mengembangkan model prediksi kelulusan mahasiswa menggunakan metode Artificial Neural Network (ANN) serta mengevaluasi tingkat akurasi model dalam mengklasifikasikan status kelulusan mahasiswa. Penelitian ini termasuk dalam penelitian kuantitatif terapan dengan pendekatan deskriptif dan prediktif. Data yang digunakan berupa data akademik dan administratif mahasiswa Program Studi Teknologi Informasi angkatan 2018 sampai dengan 2025 yang diperoleh dari sistem informasi akademik internal. Variabel masukan meliputi Indeks Prestasi Kumulatif (IPK), kelompok Uang Kuliah Tunggal (UKT), jalur pendaftaran, dan angkatan, sedangkan variabel keluaran berupa status kelulusan mahasiswa yang diklasifikasikan secara biner, yaitu lulus dan belum lulus. Tahapan penelitian diawali dengan proses preprocessing data yang mencakup penyeragaman nama dan pelabelan data, pembersihan data, pengkodean variabel kategorikal menggunakan metode One-Hot Encoding, normalisasi data dengan metode Min-Max Scaling, serta pembagian dataset menggunakan teknik stratified train- test split dengan proporsi 80% data latih dan 20% data uji. Model ANN dibangun menggunakan arsitektur multilayer perceptron dengan tiga lapisan tersembunyi dan dilatih menggunakan optimizer Adam serta fungsi loss Binary Crossentropy. Hasil pengujian menunjukkan bahwa model Artificial Neural Network yang dikembangkan mampu menghasilkan tingkat akurasi sebesar 89%. Nilai precision, recall, dan F1-score menunjukkan kinerja model yang baik, khususnya dalam mengidentifikasi mahasiswa dengan status belum lulus. Temuan ini menunjukkan bahwa metode ANN efektif dalam mempelajari pola nonlinier pada data akademik mahasiswa dan berpotensi digunakan sebagai sistem pendukung keputusan dalam memprediksi kelulusan mahasiswa. Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi praktis bagi pihak pengelola akademik dalam melakukan pemantauan serta intervensi dini terhadap mahasiswa yang berisiko mengalami keterlambatan kelulusan, serta menjadi referensi bagi penelitian selanjutnya terkait prediksi kelulusan mahasiswa berbasis kecerdasan buatan.