Deteksi Bias dalam Model Machine Learning untuk Prediksi Kelulusan Mahasiswa Berdasarkan Aktivitas Virtual Learning Environment

Aug 4, 2026

Unggah oleh Ezra

Revolusi digital dalam pendidikan menjadikan Virtual Learning Environment (VLE) elemen penting dalam pengembangan paradigma pembelajaran, terutama selama pandemi COVID-19. Penelitian ini menilai pengaruh aktivitas siswa berbasis VLE terhadap prediksi keberhasilan akademik sekaligus mengidentifikasi bias pada model machine learning yang digunakan. Menggunakan Open University Learning Analytics Dataset (OULAD), studi menerapkan prapemrosesan data, pemilihan fitur, dan transformasi data. Random Forest memprediksi kelulusan ke kelas pass, fail, dan distinction, dievaluasi dengan akurasi, presisi, recall, F1-score, serta confusion matrix. Deteksi bias dilakukan memakai DALEX dengan fokus pada atribut terlindungi usia, jenis kelamin, dan disabilitas, menghasilkan temuan akurasi tinggi namun bias signifikan pada kelompok demografis tertentu.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman15

Waktu Membaca23 mnt

AksesGratis untuk diunduh

Daftar Isi

Abstrak

Kata Pengantar

Daftar Isi

Deteksi Bias dalam Model Machine Learning untuk Prediksi Kelulusan Mahasiswa Berdasarkan Aktivitas Virtual Learning Environment Laporan Tugas Akhir Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang Deva Putra Setya Pratama 202010370311212 Bidang Minat Data Science PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG LEMBAR PERSETUJUAN Deteksi Bias dalam Model Machine Learning untuk Prediksi Kelulusan Mahasiswa Berdasarkan Aktivitas Virtual Learning Environment TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Informatika Universitas Muhammadiyah Malang Menyetujui, Malang, 16 Juli 2024 Dosen Pembimbing 1 Setio Basuki MT., Ph.D. NIP. 10809070477PNS. LEMBAR ABSTRAK Revolusi digital yang cepat dalam pendidikan telah menempatkan Virtual Learning Environment (VLE) sebagai elemen penting dalam mengembangkan paradigma pembelajaran, yang sangat terlihat selama pandemi COVID-19 . Penelitian ini menyelidiki dampak aktivitas siswa berbasis VLE dalam memprediksi keberhasilan akademik dan mengatasi bias dalam model machine learning yang digunakan untuk prediksi ini. Menggunakan Open University Learning Analytics Dataset (OULAD), penelitian ini mengintegrasikan teknik prapemrosesan data, pemilihan fitur, dan transformasi data untuk mengembangkan dataset yang komprehensif. Model Random Forest digunakan untuk memprediksi hasil kelulusan siswa, yang dikategorikan menjadi kelas "pass", "fail", dan"distinction" . Kinerja model dievaluasi menggunakan metrik klasifikasi seperti akurasi, presisi, recall, dan F1-score, serta matriks kebingungan. Deteksi bias dilakukan menggunakan alat DALEX, dengan fokus pada atribut terlindungi seperti usia, jenis kelamin, dan disabilitas untuk memastikan keadilan. Hasilnya mengungkapkan akurasi model yang tinggi tetapi menyoroti adanya bias yang signifikan dalam beberapa kelompok demografis. Penelitian ini berkontribusi pada diskursus berkelanjutan tentang memastikan penerapan machine learning yang etis dan adil dalam pengaturan pendidikan dengan mengusulkan metode untuk meningkatkan kesetaraan dan transparansi model prediktif. Kata Kunci: Lingkungan Pembelajaran Virtual, Pembelajaran Mesin, Deteksi Bias, DALEX, Open University Learning Analytics Dataset, Random Forest, Penggalian Data Pendidikan ABSTRACT The rapid digital revolution in education has positioned Virtual Learning Environments (VLEs) as critical to evolving learning paradigms, particularly highlighted during the COVID-19 pandemic. This research investigates the impact of VLE-based student activity on predicting academic success and addresses the biases in machine learning models used for these predictions. Using the Open University Learning Analytics Dataset (OULAD), this study integrates data preprocessing techniques, feature selection, and data transformation to develop a comprehensive dataset. A Random Forest model is employed to predict student graduation outcomes, categorized into "pass", "fail", and "distinction" classes. The model's performance is evaluated using classification metrics such as accuracy, precision, recall, and F1-score, alongside confusion matrices. Bias detection is conducted using the DALEX tool, focusing on protected attributes like age, gender, and disability to ensure fairness. The results reveal high model accuracy but highlight significant bias in some demographic groups. This study contributes to the ongoing discourse on ensuring ethical and fair machine learning applications in educational settings by proposing methods to enhance the equity and transparency ofpredictive models. Keywords: Virtual Learning Environment, Machine Learning, Bias Detection, DALEX, Open University Learning Analytics Dataset, Random Forest, Educational Data Mining KATA PENGANTAR Puji dan syukur penulis panjatkan ke hadirat Allah SWT karena atas rahmat dan karunia-Nya,

Pertanyaan Umum

Penelitian ini menggunakan dataset apa untuk memprediksi kelulusan mahasiswa?

Penelitian menggunakan Open University Learning Analytics Dataset (OULAD) untuk membangun dan menyiapkan data melalui prapemrosesan, pemilihan fitur, dan transformasi data.

Model machine learning apa yang digunakan untuk prediksi kelulusan, dan apa saja kelas keluarannya?

Model yang digunakan adalah Random Forest untuk memprediksi hasil kelulusan ke dalam kelas pass, fail, dan distinction.

Bagaimana deteksi bias dilakukan dan atribut apa yang menjadi fokus analisis?

Deteksi bias dilakukan menggunakan alat DALEX dengan fokus pada atribut terlindungi seperti usia, jenis kelamin, dan disabilitas untuk memastikan keadilan.

Aug 4, 2026

Unggah oleh Ezra