Mahasiswa Drop Out Naik, Akreditasi Prodi Terancam. Kaprodi Selalu Tahu Terakhir.

Bagaimana early warning system berbasis AI mengubah deteksi dari reaktif menjadi preventif.

SEVIMA.COM – Rapat evaluasi akhir semester. Biro Akademik menyerahkan daftar mahasiswa tidak aktif. Sebagai Kaprodi, Anda mengenali beberapa nama. Tapi yang mengejutkan bukan siapa yang ada di daftar — melainkan bahwa Anda baru tahu sekarang.

Anda membuka data salah satu mahasiswa. Semester 1–2 normal. Semester 3, kehadiran mulai turun. Semester 4, SKS berkurang. Semester 5, tidak mengisi KRS. Semester 6, namanya muncul di daftar DO.

Sinyalnya sudah ada sejak semester 3. Empat semester berlalu tanpa ada yang membacanya. Bukan karena Anda tidak peduli. Tapi karena data kehadiran ada di satu sistem, nilai di sistem lain, pembayaran di tempat terpisah. Untuk mengecek kondisi satu mahasiswa secara utuh, Anda harus membuka beberapa tab, mengunduh spreadsheet, dan melakukan cross-reference manual. Untuk ratusan mahasiswa? Itu bukan monitoring — itu arkeologi data.

Yang Sebenarnya Dipertaruhkan

Ini bukan hanya soal satu mahasiswa. Ini soal rantai konsekuensi yang ujungnya sampai ke ruang rapat Yayasan.

Angka drop out bukan sekadar statistik kemahasiswaan. IKU 1 Diktisaintek mengukur Angka Efisiensi Edukasi — tingkat keberhasilan mahasiswa menyelesaikan studi tepat waktu — dan setiap mahasiswa yang gagal lulus langsung menggerus skor ini. Skor turun, akreditasi prodi terancam. Akreditasi prodi turun, akreditasi institusi ikut terdampak. 

Ketika akreditasi kampus merosot, efek dominonya tidak berhenti di borang: calon mahasiswa ragu mendaftar, pendapatan menyusut, dan ruang gerak kampus untuk memperbaiki diri justru semakin sempit.

Dari satu mahasiswa yang tidak terdeteksi, rantainya sampai ke keberlangsungan finansial kampus. Dan Kaprodi ada di titik pertama rantai itu — posisi yang seharusnya bisa mencegah, tapi justru selalu tahu paling akhir.

Skalanya Bukan Kecil

Data Kementerian Pendidikan, Budaya, Riset, dan Teknologi (Kemendikbudristek) tahun 2023 mencatat dari setiap 24 mahasiswa terdaftar di Indonesia, satu orang putus kuliah dalam tahun yang sama. Totalnya 352.494 mahasiswa – hilang dalam satu tahun akademik. Sebagian besar tidak menghilang tiba-tiba. Ada trajectory yang bisa dibaca: penurunan kehadiran, penurunan IPK, pengurangan SKS, keterlambatan pembayaran, lalu status non-aktif. Urutannya bisa bervariasi, tapi akumulasi sinyal ini hampir selalu mendahului drop out formal dengan jarak satu sampai tiga semester.

Masalahnya bukan sinyal tidak ada. Masalahnya tidak ada satu tampilan yang menunjukkan akumulasi risiko per mahasiswa. Setiap sinyal terlihat “belum mengkhawatirkan” jika dilihat sendiri-sendiri. Baru ketika dua atau tiga sinyal muncul bersamaan, polanya menjadi jelas. Tapi tidak ada sistem yang menyandingkannya secara otomatis.

Baca juga: 5 Titik Masalah Penerapan Program Rekognisi Pembelajaran Lampau (RPL) di Perguruan Tinggi

Lima Sinyal yang Bisa Anda Audit Minggu Depan

Tanpa sistem tambahan, ada lima kondisi yang bisa Anda cek dari data akademik yang sudah tersedia.

Pertama, mahasiswa yang tidak membayar UKT dua semester berturut-turut. Sinyal paling kuat bahwa mahasiswa sedang mempertimbangkan berhenti atau sudah berhenti tanpa cuti resmi.

Kedua, mahasiswa yang tidak mengisi KRS dua semester berturut-turut. Tidak ada rencana semester berarti tidak ada niat melanjutkan.

Ketiga, status cuti berturut-turut tanpa rencana kembali yang jelas. Cuti satu semester bisa normal. Cuti berkepanjangan tanpa komunikasi biasanya berujung putus studi.

Keempat, total SKS lulus jauh di bawah standar kelulusan tepat waktu. Mahasiswa semester 6 dengan SKS baru 60 dari target 144 secara matematis hampir mustahil lulus tepat waktu.

Kelima, IPK kumulatif di bawah 2.0 selama dua semester terakhir — sering menjadi indikator masalah yang lebih besar di luar kampus.

Satu sinyal mungkin belum mengkhawatirkan. Dua sinyal bersamaan sudah layak menjadi perhatian. Tiga atau lebih adalah mahasiswa yang perlu segera dihubungi. Masalahnya: mengaudit kelima sinyal ini secara manual untuk ratusan mahasiswa membutuhkan waktu yang tidak dimiliki Kaprodi maupun Dosen PA.

Prediksi Kelulusan Berbasis AI: Membaca Sinyal Sebelum Terlambat

SEVIMA, melalui kolaborasi riset dengan Departemen Informatika Institut Teknologi Sepuluh Nopember (ITS), mengembangkan model prediksi kelulusan berbasis AI. Riset ini melibatkan akademisi dari ITS, dan modelnya dilatih dari data riwayat studi mahasiswa tersedia di sistem informasi akademik di SEVIMA Platform — volume yang membuat prediksi semakin akurat karena pola yang teridentifikasi semakin beragam dan representatif.

Fitur Prediksi Kelulusan di Edlink menggabungkan sinyal-sinyal yang selama ini tersebar di banyak sistem menjadi satu prediksi per mahasiswa, dengan tiga klasifikasi: Lulus Tepat Waktu, Lulus Tidak Tepat Waktu, atau Drop Out. 

Prediksi Lulus Tepat Waktu — mahasiswa dengan trajectory akademik positif teridentifikasi secara otomatis.

Prediksi Lulus Tidak Tepat Waktu — sinyal awal yang memberikan waktu bagi Kaprodi untuk intervensi sebelum kondisi memburuk.

Prediksi Drop Out — mahasiswa di trajectory kritis. Pada tahap ini, recovery membutuhkan sumber daya jauh lebih besar dibanding deteksi dini.

Satu Langkah Minggu Depan

Sebelum menggunakan sistem prediksi apapun, minta Biro Akademik menjalankan satu query: berapa mahasiswa di prodi Anda yang memenuhi dua atau lebih dari lima sinyal di atas secara bersamaan?

Angka yang keluar mungkin mengejutkan. Tapi lebih baik mengetahuinya sekarang — saat masih ada waktu untuk mencegah nama-nama itu muncul di daftar DO semester depan, dan sebelum angka efisiensi edukasi prodi Anda terdampak.

Fitur Prediksi Kelulusan di Edlink dikembangkan melalui kolaborasi riset SEVIMA dengan akademisi ITS. Untuk informasi lebih lanjut, hubungi tim SEVIMA.

Diposting Oleh:

Mayda