Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask"

"Penelitian ini melakukan pengembangan integrasi metode perangkum abstraktif dengan metode ekstraktif dalam merangkum teks berita yang melebihi input maksimal dari model machine learning. Penggabungan metode abstraktif dan ekstraktif menciptakan rangkuman yang lebih natural tanpa kehilangan makna semantiknya, serta menyelesaikan keterbatasan jumlah input maksimal dari model machine learning yang digunakan pada metode abstraktif. Bagian abstraktif dibuat menggunakan model machine learning yang menggunakan arsitektur Transformer, yaitu model BART. Bagian ekstraktif menggunakan algoritma gabungan untuk melakukan pembobotan tiap kalimat menggunakan term frequency – inverse document frequency (TF-IDF), konjungsi antar kalimat, dan peletakan kalimat pada paragraf yang dapat diidentifikasi menggunakan algoritma pemrograman. Dataset yang digunakan adalah benchmark IndoSum, yaitu dataset bahasa Indonesia untuk merangkum teks, sehingga dapat dievaluasikan dengan model pada penelitian yang serupa. Beberapa pengujian dilakukan pada model BART dan tokenizer, dengan nilai ROUGE Score menunjukan adanya peningkatan pada tokenizer bahasa Indonesia ketimbang bahasa Inggris. Hasil evaluasi pada finetuning model BART mendapatkan nilai ROUGE Score sebesar 0,725 untuk ROUGE-1, 0,635 untuk ROUGE-2, 0,699 untuk ROUGE-L, dan 0,718 untuk ROUGE-Lsum, menjadikan model BART lebih tinggi pada beberapa model lainnya pada riset terkait. Human evaluation dilakukan pada hasil integrasi, menunjukan hasil yang baik untuk morfologi, semantik, dan kenaturalan rangkuman, namun masih buruk untuk kesalahan pengetikan.

---

This research develops the integration of abstractive summarization methods with extractive methods in summarizing news texts that exceed the maximum input from the machine learning model. Combining abstractive and extractive methods creates a more natural summary without losing its semantic meaning, and resolves the limitations of the maximum number of inputs from the machine learning model used in the abstractive method. The abstractive part was created using a machine learning model that uses the Transformer architecture, namely the BART model. The extractive section uses a combined algorithm to weight each sentence using term frequency - inverse document frequency (TF-IDF), conjunctions between sentences, and placement of sentences in paragraphs that can be identified using a programming algorithm. The dataset used is the IndoSum benchmark, namely an Indonesian language dataset for summarizing text, so that it can be evaluated with models in similar research. Several tests were carried out on the BART model and tokenizer, with the ROUGE Score showing an increase in the Indonesian language tokenizer compared to English. The evaluation results of finetuning the BART model obtained a ROUGE Score of 0.725 for ROUGE-1, 0.635 for ROUGE-2, 0.699 for ROUGE-L, and 0.718 for ROUGE-Lsum, making the BART model higher than several other models in related research. Human evaluation was carried out on the integration results, showing good results for morphology, semantics and naturalness of summaries, but still poor results for typing errors."