Pengembangan Model Regresi Logistik Untuk Prediksi Risiko Drop Out Mahasiswa Sebagai Kerangka Deteksi Dini Akademik Berbasis Risk Scoring

Abstract

Penelitian ini menganalisis faktor-faktor yang berasosiasi signifikan dengan risiko drop out mahasiswa dan mengembangkan model regresi logistik sebagai kerangka deteksi dini akademik berbasis risk scoring. Data dikumpulkan dari 270 mahasiswa aktif pada sepuluh program studi di Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), menggunakan kuesioner yang mengukur empat dimensi risiko: akademik, ekonomi, psikologis, dan sosial. Instrumen diuji validitas (r-drop ≥ 0,30) dan reliabilitas (Cronbach Alpha) sebelum dibentuk menjadi skor komposit; dimensi ekonomi tidak memenuhi kriteria tersebut sehingga dikeluarkan dari model akhir. Variabel dependen merupakan proksi berbasis persepsi mahasiswa, bukan data status drop out aktual, yang dikategorikan biner melalui median split dan dianalisis dengan Maximum Likelihood Estimation (MLE), dibandingkan dengan Firth regression untuk mengantisipasi quasi-complete separation. Uji Likelihood Ratio menunjukkan model signifikan secara simultan (p < 0,05), dengan uji Hosmer-Lemeshow menyatakan model fit (p = 0,316). Model mencapai akurasi klasifikasi 70% dan AUC 0,79 pada sampel yang sama dengan yang digunakan untuk membentuk model, menunjukkan diskriminasi baik namun belum diuji pada data independen. Uji Wald mengidentifikasi skor akademik, psikologis, dan sosial sebagai prediktor signifikan, sedangkan IPK, kehadiran, dan beban SKS tidak signifikan. Mahasiswa dikelompokkan ke dalam tiga kategori risiko yang masih eksploratif yaitu rendah, sedang, dan tinggi melalui risk scoring yang belum divalidasi terhadap data kejadian drop out aktual. Temuan ini memberikan implikasi praktis bagi fakultas dalam merancang sistem deteksi dini dan strategi retensi mahasiswa yang lebih tepat sasaran dan berbasis data, dengan catatan diperlukan validasi lanjutan sebelum diterapkan secara operasional.