SEMARANG- Dosen Teknik Informatika Fakultas Teknologi Informasi dan Komunikasi (FTIK) Universitas Semarang (USM) Sri Handayani ST MT berhasil meraih gelar doktor pada Proram Studi Doktor Sistem Informasi Undip usai ujian disertasi pada Kamis, 15 Januari 2026.
Bertindak selaku Promotor Prof. Dr. Ir. R. Rizal Isnanto, S.T., M.M., M.T., IPU, ASEAN Eng dan Co Promotor Dr. Budi Warsito,S.Si.,M.Si.
Adapun ketua sidang dipimpin Prof. Ir. Mochamad Agung Wibowo, M.M., M.Sc., Ph.D, dan sekretaris Qidir Maulana Binu Soesanto, S.Si., M.Si., Ph,D. serta Prof. Dr. Edy Winarno, S.T., M.Eng. (Penguji Eksternal). Sementara penguji 1 Dr. Oky Dwi Nurhayati, S.T., M.T. dan penguji 2 adalah Dinar Mutiara Kusumo Nugraheni, S.T., M.InfoTech.(Comp)., Ph.D.
Menurut Dr Sri Handayani ST MT bahwa mahasiswa merupakan aset yang harus dikelola oleh perguruan tinggi, karena mahasiswa adalah salah satu penentu kelangsungan hidup dan kualitas perguruan tinggi.
“Perguruan tinggi harus mampu menjaga hubungan dengan mahasiswa, mulai dari menarik minat calon mahasiswa, mengelola mahasiswa yang terdaftar, hingga menjalin hubungan dengan alumni dan pengguna alumni. Perguruan tinggi terkadang memiliki data terbatas tentang mahasiswanya maupun alumni,” ungkap Dr Sri Handayani.
“Penerapan algoritma co-training dalam pengelolaan mahasiswa menjadi salah satu alternatif untuk mengatasi jumlah data mahasiswa yang terbatas (berlabel). Data berlabel dapat dimanfaatkan untuk melatih model, karena jumlahnya hanya dibutuhkan antara 1% hingga 10% dan cukup representatif untuk memberikan informasi bermakna,” tambahnya.
Lebih lanjut ia menambahkan bahwa Co-training dirancang untuk bekerja dengan dataset terbatas dari data berlabel, sementara sisanya tidak berlabel. Model ini mengandalkan data tidak berlabel untuk meningkatkan pelatihan. Disertasi ini, menganalisis cara mengidentifikasi mahasiswa sebagai pelanggan perguruan tinggi yang potensial menggunakan metode pembelajaran mesin semi-terpandu.
Pendekatan co-training yang diuji menggabungkan model Long Short-Term Memory (LSTM) dan Support Vector Machine (SVM) untuk mengklasifikasikan mahasiswa. Proses co-training LSTM dan SVM pada penelitian ini dirancang untuk memanfaatkan data berlabel dan data tanpa label secara bersamaan guna meningkatkan performa identifikasi potensi mahasiswa. Pendekatan ini memanfaatkan dua model yang memiliki karakteristik berbeda, yaitu LSTM untuk memproses fitur sekuensial (misalnya perkembangan nilai per semester, prestasi, keaktifan organisasi) dan SVM untuk memproses fitur tabular atau non-sekuensial (misalnya indeks prestasi kumulatif, gaji orang tua, jumlah saudara).
Co-training LSTM dan SVM diimplementasikan dalam web app dengan bahasa pemrograman Python yang dapat mengidentifikasi mahasiswa berpotensi dan tidak berpotensi. Hasil web app co-training LSTM danSVM dapat dianalisis dan menjadi bahan masukan bagi institusi untuk mengetahui kondisi potensi mahasiswa yang sedang dalam proses pembelajaran di perguruan tinggi.
