Explainable AI pada Seleksi Beasiswa KIP Berbasis Machine Learning di Universitas Adzkia

Muhammad Thoriq; Fajar  Maulana; Sakinah  Ali Pitchay; Farida  Ridzuan; Wega  Ramanda

doi:10.55382/jurnalpustakaai.v6i1.1767

Penulis

Muhammad Thoriq Universitas Adzkia
Fajar Maulana Universitas Adzkia
Sakinah Ali Pitchay Universiti Sains Islam Malaysia
Farida Ridzuan Universiti Sains Islam Malaysia
Wega Ramanda Universitas Adzkia

DOI:

https://doi.org/10.55382/jurnalpustakaai.v6i1.1767

Kata Kunci:

machine learning, seleksi beasiswa, explainable artificial intelligence, random forest, SHAP

Abstrak

Program Kartu Indonesia Pintar Kuliah (KIP-K) bertujuan memperluas akses pendidikan tinggi bagi mahasiswa dari keluarga kurang mampu. Namun, peningkatan jumlah pendaftar serta kompleksitas verifikasi kondisi sosial ekonomi sering kali menyulitkan proses seleksi di perguruan tinggi. Penelitian ini mengusulkan pendekatan berbasis machine learning yang terintegrasi dengan Explainable Artificial Intelligence (XAI) untuk mendukung rekomendasi kelayakan penerima beasiswa menggunakan data riil seleksi mandiri Universitas Adzkia. Dataset yang digunakan terdiri dari 829 pendaftar dengan variabel sosial ekonomi seperti status P3KE, penghasilan orang tua, jumlah tanggungan keluarga, pekerjaan orang tua, serta asal sekolah. Model klasifikasi dibangun menggunakan algoritma Random Forest dan divalidasi menggunakan 5-fold cross-validation dengan metrik evaluasi accuracy, precision, recall, F1-score, serta confusion matrix. Karena dataset memiliki distribusi kelas yang tidak seimbang, dilakukan threshold optimization untuk meningkatkan kemampuan model dalam mendeteksi kandidat yang layak menerima beasiswa. Untuk meningkatkan transparansi model, penelitian ini menggunakan metode SHapley Additive exPlanations (SHAP) guna menginterpretasikan kontribusi setiap fitur baik secara global maupun lokal. Hasil penelitian menunjukkan bahwa faktor sosial ekonomi seperti status P3KE, jumlah tanggungan keluarga, penghasilan orang tua, serta wilayah asal sekolah merupakan determinan utama dalam prediksi kelayakan penerima beasiswa. Integrasi machine learning dan SHAP memungkinkan sistem seleksi yang lebih objektif, transparan, dan berbasis data dalam proses pengambilan keputusan.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Thoriq, F. Maulana, and A. Q. Ayun, “Perbandingan Naïve Bayes dan Random Forest pada Seleksi KIP di Universitas Adzkia,” pp. 602–610, 2025.

H. Aldowah, H. Al-Samarraie, and W. M. Fauzy, “Educational Data Mining for Student Learning Outcomes: A Systematic Review of Machine Learning Applications,” Comput. Educ., vol. 173, p. 104297, 2021.

U. A. Wizsa and A. Rahmi, “Classification Of KIP-K Scholarship Using Logistic Regression, Classification Trees, and Boosting Based On Decision Support System,” Mathline J. Mat. dan Pendidik. Mat., vol. 10, no. 1, pp. 221–235, 2025.

M. W. P. Dananjaya, N. N. K. Krisnawijaya, G. H. Prathama, I. G. N. D. Paramartha, and A. W. O. Gama, “Analisis Determinan Karakter Siswa Menggunakan Explainable Machine Learning (SHAP) dan Klasterisasi Profil Sekolah Studi Kasus Rapor Pendidikan Provinsi Bali,” J. Kridatama Sains dan Teknol., vol. 7, no. 02, pp. 936–948, 2025.

Zulkifli, Rizky Maulana, Muhammad Yasar Al Wafi, and Imam Muslem, “Prediction of KIP Scholarship Eligibility at Universitas Almuslim Using an Explainable Artificial Intelligence – Based XGBoost Algorithm,” J. Multimed. Dan Teknol. Inf., vol. 07, no. 04, pp. 893–902, 2025.

A. Arpan and Mohammad Yusup, “Sistem Peringatan Dini Penurunan Prestasi dan Minat Belajar pada Siswa Sekolah Menengah di Medan: Pendekatan Explainable Machine Learning,” J. Komput. Teknol. Inf. Sist. Inf., vol. 4, no. 2, pp. 1423–1431, 2025.

B. A. Alnasyan, M. Basheri, and M. O. Alassafi, “A Comprehensive Comparative Analysis of Deep Learning Models for Student Performance Prediction in Virtual Learning Environments: Leveraging the OULA Dataset and Advanced Resampling Techniques,” IEEE Access, vol. 13, pp. 75953–75972, 2025.

E. Ben George, R. Senthilkumar, F. Al-Junaibi, and Z. Al-Shuaibi, “Explainable AI Methods for Predicting Student Grades and Improving Academic Success,” 2024.

J. B. M. B. SANFO, “Application of explainable artificial intelligence approach to predict student learning outcomes,” J. Comput. Soc. Sci., vol. 8, no. 1, Feb. 2025.

S. R. A. Parisineni and M. Pal, “Enhancing trust and interpretability of complex machine learning models using local interpretable model agnostic shap explanations,” Int. J. Data Sci. Anal., vol. 18, no. 4, pp. 457–466, 2024.

E. Albini, J. Long, D. Dervovic, and D. Magazzeni, “Counterfactual Shapley Additive Explanations,” ACM Int. Conf. Proceeding Ser., no. February, pp. 1054–1070, 2022.

I. Syahputra Ritonga, M. Rahfiqa Zainal, and A. Zaki, “Predicting Employment Status 6 Months After Graduation with Machine Learning Learning?: A Comparative Study of 3,945 Indonesian Graduates,” Intellect Int. J. Innov. Learn. Technol., vol. 04, no. 02, pp. 194–205, 2025.

S. Alturki, N. Alturki, and H. Stuckenschmidt, “Using Educational Data Mining To Predict Students’ Academic Performance For Applying Early Interventions,” J. Inf. Technol. Educ. Innov. Pract., vol. 20, pp. 121–137, 2021.

V. M. Putri, B. A. Wisesa, I. A. Edyyul, and S. A. Darma, “Sistem Pakar Deteksi Keterlambatan Bicara Anak Menggunakan Forward Chaining dan Naïve Bayes,” pp. 7–12, 2025.

A. Asriyanik and A. Pambudi, “Machine Learning-Based Classification for Scholarship Selection,” PIKSEL Penelit. Ilmu Komput. Sist. Embed. Log., vol. 11, no. 2, pp. 447–460, 2023.

K. Kesgin, S. Kiraz, S. Kosunalp, and B. Stoycheva, “Beyond Performance: Explaining and Ensuring Fairness in Student Academic Performance Prediction with Machine Learning,” Appl. Sci., vol. 15, no. 15, Aug. 2025.