Sistem Prediksi Dropout Mahasiswa

Aplikasi web berbasis Streamlit untuk memprediksi potensi dropout mahasiswa menggunakan Machine Learning (Random Forest).

🎯 Fitur

• Prediksi Individu: Input data satu mahasiswa untuk prediksi real-time
• Prediksi Batch: Upload CSV untuk prediksi massal
• Visualisasi Hasil: Dashboard interaktif dengan metrik dan confidence score
• Download Template: Template CSV untuk memudahkan input data batch
• Informasi Model: Detail tentang model dan cara penggunaan

🚀 Cara Menjalankan

1. Install Dependencies

pip install -r requirements.txt

2. Pastikan Model Ada

Pastikan file model_rf.bin ada di folder yang sama dengan app.py

3. Jalankan Aplikasi

streamlit run app.py

Aplikasi akan terbuka di browser pada http://localhost:8501

📊 Input Data

Model membutuhkan data berikut:

Data Profil & Keuangan:

• Usia saat mendaftar (15-80 tahun)
• Status beasiswa (Ya/Tidak)
• Status utang (Ya/Tidak)
• Status pembayaran UKT (Lancar/Tidak Lancar)

Data Akademik Semester 1:

• SKS yang diambil (0-24)
• SKS yang lulus (0-24)
• IPS - Indeks Prestasi Semester (0-20)

Data Akademik Semester 2:

• SKS yang diambil (0-24)
• SKS yang lulus (0-24)
• IPS - Indeks Prestasi Semester (0-20)

📁 Struktur File

UasML2/
├── app.py                  # Aplikasi utama Streamlit
├── model_rf.bin           # Model Random Forest
├── requirements.txt       # Dependencies Python
└── README.md             # Dokumentasi

💡 Prediksi Batch

1. Download template CSV dari aplikasi
2. Isi data mahasiswa sesuai kolom:
   • usia: Usia saat mendaftar
   • beasiswa: 0 (Tidak) atau 1 (Ya)
   • utang: 0 (Tidak) atau 1 (Ya)
   • bayar_ukt: 0 (Tidak Lancar) atau 1 (Lancar)
   • sks1_enrolled: SKS diambil semester 1
   • sks1_approved: SKS lulus semester 1
   • nilai1: IPS semester 1
   • sks2_enrolled: SKS diambil semester 2
   • sks2_approved: SKS lulus semester 2
   • nilai2: IPS semester 2
3. Upload file CSV ke aplikasi
4. Download hasil prediksi

📈 Output

Model menghasilkan 3 kemungkinan status:

• Dropout (0): Mahasiswa berpotensi dropout
• Enrolled (1): Mahasiswa masih aktif
• Graduate (2): Mahasiswa akan lulus

Setiap prediksi dilengkapi dengan:

• Status prediksi
• Confidence score (%)
• Rekomendasi tindakan (jika diperlukan)

🔧 Troubleshooting

Model tidak ditemukan

• Pastikan file model_rf.bin ada di folder yang sama dengan app.py

Error jumlah fitur

• Model ini dirancang untuk dataset dengan struktur fitur standar
• Jika terjadi error, sesuaikan mapping fitur di app.py sesuai dengan model Anda

Error saat prediksi batch

• Pastikan format CSV sesuai dengan template
• Periksa bahwa semua kolom yang diperlukan ada
• Pastikan tidak ada nilai kosong (NaN)

📝 Catatan

• Aplikasi ini menggunakan Random Forest Classifier
• Model di-load dengan joblib
• Skala nilai IPS: 0-20 (sesuaikan jika menggunakan skala 0-4)
• Untuk akurasi terbaik, pastikan data input lengkap dan valid

👨‍💻 Screenshot