Keberhasilan akademik mahasiswa selama ini umumnya diukur melalui Indeks Prestasi Kumulatif (IPK) dan Indeks Prestasi Semester (IPS). Namun, prestasi belajar tidak hanya dipengaruhi oleh kemampuan akademik, tetapi juga oleh faktor psikologis seperti kepribadian dan motivasi belajar. Penelitian ini memanfaatkan pendekatan Educational Data Mining dan machine learning untuk menganalisis hubungan antara dimensi kepribadian Big Five, motivasi belajar, dan capaian akademik mahasiswa. Selain itu, penelitian ini bertujuan mengelompokkan mahasiswa berdasarkan karakteristik psikologis dan akademiknya sehingga dapat menjadi dasar dalam penyusunan strategi peningkatan kualitas pembelajaran.
Penelitian menggunakan data sebanyak 527 mahasiswa aktif yang telah menempuh enam semester. Data dikumpulkan melalui instrumen Big Five Inventory-2 (BFI-2), skala motivasi belajar, serta data akademik berupa IPK, IPS, dan jumlah SKS. Selanjutnya dilakukan proses preprocessing, analisis korelasi Pearson, serta klasterisasi menggunakan algoritma K-Means. Hasil penelitian menunjukkan bahwa motivasi belajar memiliki hubungan paling kuat dengan prestasi akademik. Dari lima dimensi kepribadian, dimensi Conscientiousness (ketelitian, disiplin, dan tanggung jawab) merupakan prediktor kepribadian yang paling berkaitan dengan tingginya IPK. Sementara itu, proses klasterisasi menghasilkan dua kelompok mahasiswa dengan nilai silhouette coefficient sebesar 0,22, yang menunjukkan bahwa pola pengelompokan masih relatif lemah namun tetap mampu memberikan gambaran karakteristik mahasiswa berdasarkan kesamaan psikologis dan akademiknya.
Hasil penelitian ini menunjukkan bahwa penggabungan analisis statistik dengan teknik machine learning mampu menghasilkan profil akademik mahasiswa yang lebih komprehensif dibandingkan hanya menggunakan nilai akademik semata. Informasi mengenai motivasi dan kepribadian mahasiswa dapat dimanfaatkan oleh perguruan tinggi sebagai dasar penyusunan sistem pendampingan akademik, deteksi dini mahasiswa yang memerlukan perhatian khusus, serta pengembangan kebijakan pembelajaran yang lebih tepat sasaran. Dengan demikian, pendekatan data-driven profiling berpotensi mendukung peningkatan kualitas layanan pendidikan tinggi melalui pengambilan keputusan yang berbasis data.
Oleh: Medika Risnasari, Miswanto, Toha Saifudin, Dewi Mayangsari
Faculty of Science and Technology, 东京热, Indonesia3Trunojoyo Madura of University, Bangkalan, Indonesia
