Lulus Profesi Insinyur di Unand, Dosen UIR Akmar Efendi Soroti Pemanfaatan Metode Machine Learning

Pekanbaru, Hariantimes.com - Usia tak menjadi penghalang bagi Akmar Efendi untuk terus menimba ilmu.

Usai meraih gelar doktor dari Universitas Putra Indonesia (UPI) YPTK Padang pada akhir September 2025, dosen Universitas Islam Riau (UIR) ini kembali mencatatkan prestasi akademik dengan dinyatakan lulus Program Studi Pendidikan Profesi Insinyur (PPI) Sekolah Pascasarjana Universitas Andalas (Unand), Padang dengan nilai A.

Akmar Efendi yang merupakan putra kelahiran Desa Kuok, Kabupaten Kampar, Provinsi Riau menyelesaikan tahapan akhir profesi insinyur melalui Ujian Laporan Teknik yang digelar pada Senin (22/12/2025).

Dalam ujian tersebut, Akmar Efendi mempresentasikan kajian akademiknya berjudul “Mengatasi Ketidakseimbangan Kelas dalam Pembelajaran Mesin untuk Memprediksi Kelulusan Mahasiswa Tepat Waktu di Universitas Islam Riau.”

Penelitian tersebut menyoroti pemanfaatan metode pembelajaran mesin (machine learning) untuk mendukung pengambilan keputusan akademik, khususnya dalam memprediksi dan meningkatkan tingkat kelulusan mahasiswa tepat waktu.

Presentasi yang disampaikan Akmar Efendi berlangsung lancar dan mendapat apresiasi dari tim penguji.

Di bawah bimbingan Ir Insannul Kamil PhD IPU,ASEAN Eng APEC Eng, Akmar Efendi diuji oleh tim penguji yang terdiri dari Dr Ir Rina Yuliet IPM selaku ketua, serta Dr Ir Prima Fitri IPM dan Prof Dr Ir Montesqit IPU ASEAN Eng APEC Eng sebagai anggota.

Berbagai pertanyaan kritis berhasil dijawab dengan argumentasi akademik yang kuat, hingga akhirnya ia dinyatakan lulus dan berhak menyandang gelar profesi Insinyur.

Capaian ini semakin menegaskan komitmen Akmar Efendi sebagai akademisi dalam mengembangkan keilmuan dan profesionalisme, sekaligus memberi kontribusi nyata bagi penguatan kualitas pendidikan tinggi, khususnya di lingkungan Universitas Islam Riau.

Dalam laporan teknik yang dipaparkan di hadapan tim penguji, Akmar Efendi menjelaskan, kelulusan tepat waktu merupakan salah satu indikator penting kinerja akademik di perguruan tinggi. Namun demikian, realitas menunjukkan masih banyak mahasiswa yang gagal menyelesaikan studi sesuai masa studi ideal. Kondisi ini mendorong perlunya pengembangan model prediktif yang dapat mendukung pengambilan keputusan akademik secara lebih tepat dan berbasis data.

“Penelitian yang saya lakukan bertujuan untuk menganalisis dampak ketidakseimbangan kelas terhadap kinerja algoritma pembelajaran mesin dalam memprediksi kelulusan mahasiswa di Universitas Islam Riau,” ujar Akmar Efendi menjelaskan, data penelitian diperoleh melalui kuesioner yang kemudian diberi label ke dalam dua kelas, yakni lulus tepat waktu dan tidak lulus tepat waktu. Pada tahap awal, komposisi data tersebut tidak seimbang. Untuk mengatasi persoalan tersebut, peneliti menerapkan teknik Synthetic Minority Over-Sampling Technique (SMOTE) pada tahap prapemrosesan data guna menyeimbangkan dataset.

Dalam penelitian ini, empat algoritma pembelajaran mesin dibandingkan, yakni Pohon Keputusan (Decision Tree), Gaussian Naive Bayes, K-Nearest Neighbors (KNN), dan Support Vector Machine (SVM). Evaluasi kinerja model dilakukan baik dengan maupun tanpa penerapan SMOTE, menggunakan sejumlah metrik, antara lain akurasi, presisi, recall, skor F1, serta matriks konfusi.

“Hasil penelitian menunjukkan adanya peningkatan kinerja yang signifikan setelah penerapan SMOTE, dengan seluruh model mencapai tingkat akurasi sekitar 99 persen. Sementara itu, algoritma SVM menunjukkan performa yang paling stabil pada kedua kondisi pengujian,” jelas Wakil Dekan III Fakultas Teknik UIR di masanya ini menegaskan, penelitian tersebut menyoroti efektivitas SMOTE dalam meningkatkan keadilan dan keandalan proses klasifikasi, khususnya pada dataset yang mengalami ketidakseimbangan kelas.

“Karya ini diharapkan dapat membantu universitas melakukan intervensi dini terhadap mahasiswa yang berisiko mengalami keterlambatan kelulusan,” pungkasnya.

Dalam kesimpulan laporannya, Akmar Efendi menegaskan, ketidakseimbangan kelas dalam data kelulusan mahasiswa terbukti memiliki dampak signifikan terhadap kinerja algoritma klasifikasi pembelajaran mesin.

Tanpa penerapan teknik penyeimbangan data seperti Synthetic Minority Over-Sampling Technique (SMOTE), algoritma cenderung bias terhadap kelas mayoritas dan kurang mampu mendeteksi mahasiswa yang berisiko tidak lulus tepat waktu.

Sebaliknya, setelah SMOTE diterapkan, seluruh algoritma yang diuji, yakni Decision Tree, Gaussian Naive Bayes, K-Nearest Neighbors dan Support Vector Machine, menunjukkan peningkatan kinerja yang substansial dengan tingkat akurasi mencapai sekitar 99 persen. Di antara keempat model tersebut, Support Vector Machine (SVM) tampil sebagai algoritma dengan performa paling stabil, baik sebelum maupun sesudah penyeimbangan data.

Temuan ini menegaskan pentingnya strategi prapemrosesan data yang tepat, khususnya dalam mengatasi ketidakseimbangan kelas, guna menghasilkan sistem prediksi kelulusan yang akurat, adil dan andal.

Hasil penelitian ini dinilai dapat menjadi pijakan bagi perumusan kebijakan akademik yang bertujuan meningkatkan tingkat kelulusan mahasiswa tepat waktu di perguruan tinggi.

Untuk pengembangan ke depan, Akmar Efendi yang juga Ketua APTIKOM Riau ini merekomendasikan eksplorasi penyetelan hiperparameter serta penerapan metode ensemble seperti bagging, boosting, dan stacking guna meningkatkan ketahanan dan kemampuan generalisasi model pada berbagai karakteristik data.(*)