VOKASI NEWS – Proses seleksi penerima Kartu Indonesia Pintar Kuliah (KIP-K) memerlukan ketelitian karena melibatkan banyak data calon mahasiswa. Selama ini, verifikasi pengajuan di Direktorat Kemahasiswaan (Ditmawa) Universitas Airlangga masih dilakukan secara manual. Kondisi tersebut membuat proses seleksi membutuhkan waktu lebih lama dan berpotensi menimbulkan perbedaan penilaian pada data dengan karakteristik yang hampir serupa.
Permasalahan tersebut menjadi latar belakang penelitian skripsi mahasiswa Program Studi D4 Teknik Informatika Fakultas Vokasi Universitas Airlangga. Penelitian yang diujikan pada awal Juli 2026 tersebut menghasilkan sistem pendukung keputusan (SPK) berbasis kecerdasan buatan untuk membantu proses verifikasi kelayakan penerima beasiswa KIP-K.
Dua algoritma untuk meningkatkan akurasi seleksi
Sistem menggunakan dua algoritma machine learning, yaitu CatBoost dan Naive Bayes. Kedua algoritma dilatih menggunakan data historis pengajuan KIP-K dari beberapa periode penerimaan yang memuat berbagai informasi sosial dan ekonomi calon penerima.
Selanjutnya, kedua model diuji menggunakan berbagai metode evaluasi. Hasil pengujian menunjukkan bahwa CatBoost memiliki performa lebih baik dibandingkan Naive Bayes. Selain memiliki tingkat akurasi yang tinggi, CatBoost juga menghasilkan prediksi yang lebih stabil.
Meskipun demikian, Naive Bayes tetap dimanfaatkan sebagai pembanding. Ketika kedua algoritma menghasilkan prediksi yang berbeda atau CatBoost memiliki tingkat keyakinan yang rendah, sistem akan menandai data tersebut untuk diperiksa kembali oleh administrator.
Pendekatan tersebut menerapkan konsep Human-in-the-Loop, yaitu sistem kecerdasan buatan yang tetap melibatkan manusia dalam pengambilan keputusan akhir. Dengan demikian, teknologi berfungsi membantu proses seleksi, bukan menggantikan peran petugas.
Sistem berbasis web mendukung proses verifikasi
Hasil penelitian diwujudkan dalam sebuah aplikasi berbasis web. Antarmuka aplikasi dikembangkan menggunakan Laravel, sedangkan proses prediksi dijalankan melalui layanan Flask. Seluruh data tersimpan dalam basis data PostgreSQL.
Melalui satu dasbor, administrator dapat memantau seluruh pengajuan KIP-K, memperbaiki label data apabila diperlukan, serta melatih kembali model ketika tersedia data baru. Selain itu, setiap aktivitas pengguna tercatat dalam audit trail sehingga proses verifikasi dapat ditelusuri kembali apabila diperlukan.
Keberadaan sistem ini diharapkan dapat membantu meningkatkan efisiensi proses seleksi sekaligus mendukung konsistensi penilaian terhadap calon penerima beasiswa.
Mendukung pencapaian SDGs
Penelitian ini juga sejalan dengan Tujuan Pembangunan Berkelanjutan atau Sustainable Development Goals (SDGs). Penyaluran beasiswa yang lebih tepat sasaran mendukung SDG 1 (Tanpa Kemiskinan), SDG 4 (Pendidikan Berkualitas), dan SDG 10 (Berkurangnya Kesenjangan).
Selain itu, pemanfaatan teknologi machine learning dalam layanan administrasi perguruan tinggi juga mendukung SDG 9 (Industri, Inovasi, dan Infrastruktur). Penggunaan teknologi digital menjadi salah satu upaya untuk meningkatkan kualitas pelayanan publik di lingkungan pendidikan tinggi.
Meskipun memberikan hasil yang menjanjikan, penelitian ini masih memiliki keterbatasan. Model kecerdasan buatan sangat bergantung pada kualitas data pelatihan. Oleh karena itu, pedoman verifikasi yang seragam, penambahan data, serta evaluasi kualitas label perlu dilakukan secara berkala agar performa sistem terus meningkat.
Pengembangan sistem pendukung keputusan ini diharapkan dapat membantu proses seleksi beasiswa menjadi lebih objektif, efisien, dan transparan. Selain mendukung penyaluran bantuan pendidikan yang lebih tepat sasaran, sistem serupa juga berpotensi diterapkan pada berbagai program bantuan lainnya di masa mendatang.
Penulis: Andi Akhsanul
Pembimbing: Rachman Sinatriya Marjianto
Editor: Sinta (Tim Vokasi Branding)
