Implementasi Prediksi Siswa Dropout pada MOOC Menggunakan Metode Stacking Super Learner dalam Lingkungan Komputasi Berkinerja Tinggi

Abstract

Permasalahan utama di berbagai platform MOOC (massive open online course), yaitu tingginya tingkat dropout yang bahkan dapat mencapai 91%-93%. Hal ini tentu berdampak terhadap profitabilitas bisnis MOOC. Oleh sebab itu, diperlukan model prediksi siswa dropout pada MOOC untuk memungkinkan adanya intervensi pencegahan dropout. Namun, besarnya ukuran data siswa MOOC membuat proses pemodelan tersebut memerlukan komputasi yang tinggi. Dengan melihat permasalahan tersebut, maka penelitian ini membangun model prediksi menggunakan metode stacking yang mutakhir, yakni Super Learner, dan dikomputasikan secara paralel menggunakan GPU atau CPU dalam lingkungan komputasi berkinerja tinggi. Pembelajar dasar yang menyusun model Super Learner meliputi Logistic Regression, KNN, SVM, Naïve Bayes, Random Forest, dan XGBoost, sedangkan metalearner yang dieksperimenkan adalah NNloglik (non-negative binomial likelihood maximization) dan AUC-maxim (AUC maximization). Hasil eksperimen menunjukkan bahwa Super Learner dengan meta-learner AUC-maxim maupun NNloglik berhasil mengungguli kinerja model pembelajar dasar dan model yang menggunakan metode stacking lainnya, yaitu Stacked Generalization. Kedua model tersebut mencapai skor F1 secara berurutan sebesar 0,90139 dan 0,90126. Di samping itu, ditemukan bahwa paralelisasi GPU pada percobaan ini menghasilkan speedup komputasi hingga 2,4-23,3 kali lebih unggul daripada paralelisasi pada CPU.