IMPLEMENTASI FEDERATED LEARNING UNTUK PREDIKSI PRESTASI MAHASISWA TANPA BERBAGI DATA PRIBADI

Abstract

Perkembangan Artificial Intelligence (AI) dan Machine Learning telah mendorong pemanfaatan teknologi dalam bidang pendidikan, salah satunya untuk memprediksi prestasi mahasiswa. Namun, metode pembelajaran terpusat (Centralized Learning) mengharuskan pengumpulan data akademik dari berbagai institusi ke satu server sehingga berpotensi menimbulkan risiko terhadap keamanan dan privasi data mahasiswa. Penelitian ini bertujuan untuk mengimplementasikan Federated Learning sebagai solusi dalam membangun model prediksi prestasi mahasiswa tanpa melakukan pertukaran data pribadi antar institusi, sehingga keamanan dan kerahasiaan data tetap terjaga.

Penelitian ini menggunakan metode kuantitatif dengan pendekatan eksperimen. Data yang digunakan berupa data akademik mahasiswa yang meliputi Indeks Prestasi Kumulatif (IPK), kehadiran, nilai tugas, nilai Ujian Tengah Semester (UTS), nilai Ujian Akhir Semester (UAS), serta aktivitas mahasiswa pada Learning Management System (LMS). Setiap institusi melakukan pelatihan model secara lokal menggunakan data yang dimiliki, kemudian parameter model dikirimkan ke server pusat untuk dilakukan proses agregasi menggunakan algoritma Federated Averaging (FedAvg). Model global yang dihasilkan kemudian dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score.

Hasil penelitian menunjukkan bahwa implementasi Federated Learning mampu menghasilkan model prediksi prestasi mahasiswa dengan performa yang baik tanpa mengharuskan perpindahan data akademik antar institusi. Pendekatan ini tidak hanya mendukung kolaborasi dalam pengembangan model prediksi, tetapi juga mampu menjaga privasi data mahasiswa karena data tetap tersimpan pada masing-masing institusi. Dengan demikian, Federated Learning dapat menjadi solusi yang efektif dalam pengembangan sistem prediksi prestasi mahasiswa yang aman, kolaboratif, dan mendukung pengambilan keputusan akademik berbasis data.