Journal of Technology and Informatics (JoTI) Vol. 5, No. 2, Bulan April Tahun 2024 P-ISSN 2721-4842 E-ISSN 2686-6102 DOI: 10.37802/joti.v5i2.514 64 Analisis Performa Akademik Mahasiswa Menggunakan Social Network Analysis Khoirunnisa Afandi 1 , M. Habibullah Arief 2 , Nadya Faizatul Laily 3 , Derik Maulana Nugroho 4 1,2,3,4 Bisnis Digital, Universitas dr. Soebandi, Jember, Indonesia e-mail: khoirunnisaafandi@uds.ac.id 1 , m.habibullaharief@uds.ac.id 2 , nadyafaizatul24@gmail.com 3 , derikmaulana08@gmail.com 4 *Penulis Korespondensi: E-mail: khoirunnisaafandi@uds.ac.id Abstrak: Pendidikan dengan kualitas yang baik akan menghasilkan generasi yang cerdas dan berpotensi. Kriteria utama untuk mengukur kinerja lembaga akademik adalah tingkat kelulusan siswa atau mahasiswa. Hal tersebut memunculkan permasalahan bagaimana mengukur performa akademik mahasiswa sehingga bisa menjadi lulusan yang berkualitas. Pengukuran performa akademik dilakukan dengan mengumpulkan data mahasiswa lalu menggabungkan data tersebut dengan data kuesioner yang dibagikan ke mahasiswa mengenai pengalaman belajar mereka. Penelitian dilakukan dengan melakukan prediksi dengan machine learning dan analisis menggunakan Social Network Analysis untuk menampilkan inti jaringan yang paling berpengaruh terhadap performa akademik mahasiswa. Hasil penelitian menunjukkan bahwa rata-rata akurasi algoritma untuk prediksi performa akademik mahasiswa adalah 0,76. Sehingga data tersebut dapat digunakan untuk prediksi performa akademik mahasiswa dengan tingkat akurasi yang tinggi. Hasil analisis menunjukkan bahwa Usia, Pendidikan Orang Tua, Kota Asal dan Kesulitan dalam belajar memiliki pengaruh terhadap performa akademik mahasiswa. Kata Kunci: Kegagalan Akademik; Performa Akademik; Social Network Analysis Abstract: Education with good quality will produce intelligent and potential generations. The main criteria for measuring the performance of academic institutions are the graduation rates of students or learners. This raises the issue of how to measure the academic performance of students so that they can become high-quality graduates. Academic performance measurement is done by collecting student data and combining it with questionnaire data distributed to students regarding their learning experiences. The research is conducted by making predictions with machine learning and analyzing using Social Network Analysis to display the core network that has the most influence on students' academic performance. The research results show that the average accuracy of the algorithm for predicting students' academic performance is 0.76. Thus, the data can be used for predicting students' academic performance with a high level of accuracy. The analysis results indicate that age, parental education, hometown, and learning difficulties have an impact on students' academic performance. Keywords: Academic Failure; Academic Performance; Social Network Analysis PENDAHULUAN Pendidikan adalah fondasi utama sebuah bangsa. Pendidikan dengan kualitas yang baik akan menghasilkan generasi yang cerdas dan berpotensi. Kriteria utama untuk mengukur kinerja lembaga akademik adalah tingkat kelulusan siswa atau mahasiswa [1]. Tetapi hanya 6% masyarakat Indonesia yang meneruskan pendidikan ke jenjang perguruan tinggi [2]. Angka tersebut lebih sedikit dibandingkan banyaknya siswa yang lulus SMA. Dari sedikitnya siswa yang melanjutkan ke jenjang perguruan tinggi, maka penting bagi perguruan tinggi untuk memperhatikan kesejahteraan dan psikologis mahasiswa. Hal ini dikarenakan tingkat putus kuliah di Indonesia tergolong tinggi. Bengkulu menduduki peringkat pertama dengan jumlah mahasiswa putus kuliah terbanyak, sementara Jawa Timur menduduki posisi ketiga dalam hal persentase mahasiswa yang tidak melanjutkan studi dengan angka 4,54%, yang setara dengan 38.317 mahasiswa drop out dari total 844.675 mahasiswa [3]. Permasalahan tersebut memunculkan pertanyaan tentang bagaimana cara memprediksi kegagalan mahasiswa. Beberapa peneliti melakukan penelitian untuk memprediksi kegagalan akademik mahasiswa secara dini dan menemukan bahwa tingkat keberhasilan akademik mahasiswa hanya ≤ 10% dan tingkat putus kuliah sebesar ≥ 70% dengan menganalisis data sebelum dan sesudah pendaftaran [4]. Penggunaan machine learning bisa menjadi salah satu solusi untuk memprediksi performa akademik mahasiswa dengan lebih akurat. Prediksi dengan menggunakan algoritma machine learning juga dilakukan untuk melihat tingkat kegagalan mahasiswa dan menemukan bahwa algoritma KNN memiliki tingkat akurasi tertinggi dengan nilai 96,8 % [5]. Selain itu, algoritma Naïve Bayes dan Decision Tree juga mampu memprediksi dengan akurasi di atas 75% [6], algoritma Logistic Regression juga memilki tingkat prediksi 79.82%–85.60% [7] dan Random Forest yang bahkan mampu meraih tingkat akurasi 91,19% [8]. Dikarenakan tingkat akurasi yang tinggi dari kelima algoritma tersebut, maka peneliti menggunakan algoritma tersebut untuk dilakukan prediksi performa akademik mahasiswa.