Analisis optimasi multi-objektif prestasi mahasiswa dengan algoritma NSGA-II
DOI:
https://doi.org/10.32815/jitika.v19i2.1201Kata Kunci:
ketidakhadiran, nsga-ii, optimasi multi-objektif, penambangan data pendidikan, prestasi mahasiswaAbstrak
Studi ini menganalisis penerapan Non-dominated Sorting Genetic Algorithm II (NSGA-II) untuk mengoptimalkan beberapa tujuan yang saling bertentangan terkait kinerja akademis siswa. Menggunakan dataset Kinerja Siswa dari Repositori UCI, yang berisi informasi demografis, perilaku, dan akademis dari 395 siswa sekolah menengah, penelitian ini bertujuan untuk memaksimalkan nilai akhir (G3), meminimalkan absensi, dan memaksimalkan waktu belajar. Studi dimulai dengan analisis data eksploratif, yang mengungkapkan variabilitas yang luas dalam hasil akademis, rata-rata absensi yang rendah, dan waktu belajar yang sedang, yang membenarkan pemilihan ketiga tujuan ini. NSGA-II kemudian diimplementasikan dengan populasi 100 individu selama 200 generasi, menggunakan operator pindah silang dan mutasi untuk menghasilkan solusi Pareto-optimal. Hasilnya menunjukkan beragam solusi non-dominasi, yang mengilustrasikan pertukaran antara prestasi akademis, kehadiran, dan waktu belajar. Absensi muncul sebagai faktor negatif yang paling signifikan, sementara waktu belajar dan dukungan sekolah berasosiasi positif dengan hasil yang lebih baik. Berbeda dengan metode regresi atau klasifikasi konvensional yang menghasilkan prediksi optimal tunggal, NSGA-II menyediakan spektrum alternatif optimal, yang menawarkan fleksibilitas dalam pembuatan kebijakan dan pengambilan keputusan. Temuan ini menyoroti relevansi optimasi multi-objektif dalam pendidikan dan menekankan pentingnya mengintegrasikan dimensi perilaku, sosial, dan digital untuk merancang strategi adaptif guna meningkatkan kinerja siswa.
Unduhan
Referensi
Adeyanju, T. M., Aziz, A. A., & Safei, S. (2025). A Comparative Analysis of Classification Algorithms on Student Academic Performance. Semarak International Journal of Machine Learning, 5(1), 74–86. https://doi.org/10.37934/sijml.5.1.7486a
Cortez, P., & Silva, A. M. G. (2008). Using Data Mining to Predict Secondary School Student Performance. Proc. 5th Annual Future Business Technology Conference, 5–12. https://archive.ics.uci.edu/ml/datasets/Student+Performance
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. Ieee Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017
Feng, X., & Liu, H. (2024). I Feel Blue– Teacher, Can You Help Me? A Study on the Effect of Digital Literacies on Language Learners’ Technostress, on-Line Engagement, Autonomy, and Academic Success. BMC Psychology, 12(1). https://doi.org/10.1186/s40359-024-01637-5
Gu, T., Xu, G., & Luo, J. (2020). Sentiment analysis via deep multichannel neural networks with variational information bottleneck. IEEE Access, 8, 121014–121021. https://doi.org/10.1109/access.2020.3006569
Hasan, M., Azizah, N., Nurjannah, N., Nurdiana, N., & Arisah, N. (2022). Pengembangan Pembelajaran Kecakapan Hidup Berbasis Karakter Kewirausahaan Pada Jenjang Sekolah Dasar. Jurnal Basicedu, 6(3), 4299–4309. https://doi.org/10.31004/basicedu.v6i3.2791
Hasni, N. I., Supriatun, E., & Toruan, S. A. L. (2023). Pelatihan Manajemen Stress Pada Remaja Dalam Menghadapi Permasalahan Akademik Di Sman 1 Sliyeg Kabupaten Indramayu. Jurnal Pengabdian Kepada Masyarakat (Nadimas), 2(1), 49–60. https://doi.org/10.31884/nadimas.v2i1.21
Hayati, N. (2019). Hubungan Keterampilan Berpikir Kritis Dengan Kemampuan Akademik Mahasiswa. Jurnal Biologi Dan Pembelajarannya (Jb&p), 6(2), 7–11. https://doi.org/10.29407/jbp.v6i2.14792
Indriana, D., Widowati, A. I., & Surjawati, S. (2017). Faktor-Faktor Yang Mempengaruhi Prestasi Akademik: Studi Kasus Pada Mahasiswa Program Studi Akuntansi Universitas Semarang. Jurnal Dinamika Sosial Budaya, 18(1), 39–48. https://doi.org/10.26623/jdsb.v18i1.557
João Thiago de G. A. A. Campos, Ferreira, A. M. S., & Freires, F. G. M. (2021). Time Variability Management and Trade-Off Analysis of Quality, Productivity, and Maintenance Efficiency. Brazilian Journal of Operations & Production Management, 18(4), 1–19. https://doi.org/10.14488/bjopm.2021.018
Khoirurroziqin, F. R., & Rafsanjani, M. A. (2020). Pengaruh Sosial Ekonomi Orang Tua Terhadap Indeks Prestasi Mahasiswa Jurusan Pendidikan Ekonomi Universitas Negeri Surabaya. Jurnal Pendidikan Ekonomi (Jupe), 8(3), 80–85. https://doi.org/10.26740/jupe.v8n3.p80-85
Laratmase, A. J., Mahendika, D., & Ratna Ayu Pawestri Kusuma Dewi. (2023). Peran Kecerdasan Emosional, Persepsi Stres Dan Orientasi Tujuan Pada Prestasi Akademik Mahasiswa Di Bogor. Jurnal Psikologi Dan Konseling West Science, 1(02), 64–75. https://doi.org/10.58812/jpkws.v1i02.259
Ma, H., Zhang, Y., Sun, S., Liu, T., & Shan, Y. (2023). A comprehensive survey on NSGA-II for multi-objective optimization and applications. Artificial Intelligence Review, 56(12), 15217–15270. https://doi.org/10.1007/s10462-023-10526-z
Marjuki, M., Hanif, Muh., & Siminto, S. (2024). The Role of Social Support in Enhancing Motivation and Psychological Well-Being of Students: Perspectives From Education in the Digital Era. Indo-Mathedu Intellectuals Journal, 5(2), 1974–1987. https://doi.org/10.54373/imeij.v5i2.1003
McLean, L., Gaul, D., & Penco, R. (2022). Perceived Social Support and Stress: A Study of 1st Year Students in Ireland. International Journal of Mental Health and Addiction, 21(4), 2101–2121. https://doi.org/10.1007/s11469-021-00710-z
Nguyen, N. T., Nguyen, A., & Nahavandi, S. (2020). Multi-objective optimization using NSGA-II and decision tree for predicting student performance. 2020 International Conference on Data Science and Advanced Analytics (DSAA), 410–417. https://doi.org/10.1109/DSAA49011.2020.00060
Prasetiyo, A. Y., Satria, G., & Sukardi, S. (2023). Peran Knowledge Acquisition Terhadap Career Awareness Dan Academic Performance Pada Siswa Vokasi Perkeretaapian. Serat Acitya, 12(2), 178–187. https://doi.org/10.56444/sa.v12i2.1095
Puspitarini, N. A., Kumboyono, K., & Hayati, Y. S. (2023). Factors Influencing Family Support for Education Patterns in School-Age Children. Jurnal Aisyah Jurnal Ilmu Kesehatan, 8(1). https://doi.org/10.30604/jika.v8i1.1554
Rahmadi, I. F., & Hayati, E. (2020). Literasi Digital, Massive Open Online Courses, Dan Kecakapan Belajar Abad 21 Mahasiswa Generasi Milenial. Jurnal Studi Komunikasi Dan Media, 24(1), 91. https://doi.org/10.31445/jskm.2020.2486
Rahmah, S. A., Dermawan, D., & Amalia, A. (2024). Pengaruh Disiplin Belajar Terhadap Prestasi Belajar Kewirausahaan Siswa Kelas Xi Di SMK Pembangunan Nasional. Jpgenus, 2(2), 342–351. https://doi.org/10.61787/34tks238
Setiawati, O. R., Alamsyah, R. T., Sani, N., & Anggraini, M. (2022). Hubungan Stres Akademik Dengan Motivasi Belajar Pada Mahasiswa Fakultas Kedokteran Universitas Malahayati Angkatan 2019. Jurnal Kesehatan Tambusai, 3(2), 26–33. https://doi.org/10.31004/jkt.v3i2.4121
Sharif, M., & Uckelmann, D. (2024). Multi-Modal LA in Personalized Education Using Deep Reinforcement Learning Based Approach. IEEE Access, 12, 54049–54065. https://doi.org/10.1109/ACCESS.2024.3388474
Soni, R. B., Singh, D., & Sharma, K. C. (2024). Optimization of Problems With Multi-Objective Functions and Their Applications in Engineering. Journal of Electronics Computer Networking and Applied Mathematics, 43, 18–33. https://doi.org/10.55529/jecnam.43.18.33
Suprihatin, T., & Setiowati, E. A. (2021). Dukungan Komunitas Belajar Dan Ketekunan Akademik Pada Mahasiswa. Psychopolytan Jurnal Psikologi, 5(1), 20–25. https://doi.org/10.36341/psi.v5i1.1713
Yadav, S. K., & Pal, S. (2012). Data Mining: A Prediction for Performance Improvement using Classification. International Journal of Computer Science and Information Security (IJCSIS), 10(4), 136–140.
Zafra, A., & Ventura, S. (2011). Predicting student grades in learning management systems with multiple instance genetic programming. Educational Data Mining, 3(1), 1–17.
Zhang, L., Ge, H., Ma, Y., Xue, J., Huang, L., & Pecht, M. (2020). Multi-Objective Optimization Design of a Notch Filter Based on Improved NSGA-II for Conducted Emissions. Ieee Access, 8, 83213–83223. https://doi.org/10.1109/access.2020.2991576
Zheng, W., & Doerr, B. (2024). Runtime Analysis for the NSGA-II: Proving, Quantifying, and Explaining the Inefficiency for Many Objectives. Ieee Transactions on Evolutionary Computation, 28(5), 1442–1454. https://doi.org/10.1109/tevc.2023.3320278
File Tambahan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Ilmiah Teknologi Informasi Asia

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Setelah diterima untuk publikasi, penulis mengalihkan hak cipta artikel mereka kepada Jurnal Ilmiah Teknologi Informasi Asia. Ini mencakup hak untuk mereproduksi, mentransmisikan, dan menerjemahkan materi dalam bentuk atau medium apa pun.
Sementara dewan redaksi berusaha memastikan keakuratan, mereka tidak bertanggung jawab atas isi artikel atau iklan. Tanggung jawab sepenuhnya berada pada penulis dan pengiklan masing-masing.
Materi di situs web dilisensikan di bawah Creative Commons Attribution 4.0 International License (CC BY 4.0). Di bawah lisensi ini, pengguna bebas untuk berbagi dan menyesuaikan materi untuk tujuan apa pun, termasuk penggunaan komersial, asalkan persyaratan lisensi terpenuhi. Kebebasan ini tidak dapat dicabut oleh pemberi lisensi dalam kondisi tersebut.