ABSTRAK Nama : Ariana Yunita Program Studi : Doktor Ilmu Komputer Judul : Data Analytics on Students' Academic Achievement using Machine Learning Pembimbing : Harry Budi Santoso, Ph.D Prof. Zainal A. Hasibuan, Ph.D Prof. Dr.Eng. Wisnu Jatmiko Selama ini, mahasiswa yang lulus atau gagal terdeteksi pada akhir periode akademik. Pada saat itu, membantu mereka sudah terlambat. Akibatnya, mahasiswa yang gagal kehilangan banyak kesempatan. Oleh karena itu, prediksi prestasi akademik mahasiswa diperlukan di awal untuk menghindari kegagalan mahasiswa. Penelitian mengenai prediksi yang merupakan salah satu bidang dari Learning Analytics merupakan hal yang lumrah. Namun, penelitian ini tetap menjadi tantangan karena banyak faktor yang memengaruhi mahasiswa, dan saat ini data tersebar di mana-mana. Untuk mengatasi masalah tersebut, penelitian ini bertujuan untuk memprediksi dan menentukan prestasi akademik siswa. Penelitian ini mengadopsi “End-To-End of Life Cycle Automation System” sebagai kerangka penelitian. Ide utamanya adalah “Everything is Data” dan data dapat dikumpulkan, diproses dan menghasilkan pola dan wawasan yang berarti bagi setiap pemangku kepentingan untuk mengambil keputusan. Studi ini mengumpulkan data mahasiswa dan institusi pendidikan tinggi dari berbagai sumber, termasuk database pendidikan tinggi nasional, data crawling, database terkait lainnya, dll. Studi ini menghasilkan faktor mahasiswa yang berkontribusi terhadap prestasi akademik dari literatur dan dari praktik terbaik. Faktor-faktor yang berkontribusi terhadap prestasi akademik siswa dari sisi teoritis didefinisikan sebagai delapan faktor: demografi, pembelajaran mandiri, teknologi, keterlibatan kursus siswa, sosial budaya, aktivitas di kelas, sistem pendidikan, dan kepribadian. Selanjutnya, dari sisi praktis, studi ini menghasilkan ekosistem big data awal pendidikan tinggi di Indonesia. Data mentah adalah data mahasiswa dari lima belas perguruan tinggi di Indonesia, dari tahun 2011 hingga 2019, mewakili Indonesia Timur, Indonesia Tengah, dan Indonesia Barat. Studi ini juga menghasilkan profil siswa yang dihasilkan dari ekosistem big data. Terdapat tujuh klaster siswa yang diberi label menjadi: Siswa Berisiko Sangat Tinggi, Siswa Berisiko Tinggi, Siswa Gagal, Siswa Berisiko Berfluktuasi, Siswa Beresiko Sedang, Siswa Beresiko Rendah, dan Siswa Beresiko Sangat Rendah. Prediksi temporal juga dilakukan, dan dari semester pertama hingga semester keempat, dengan menggunakan Random Forest, akurasinya antara 83-92%. Berdasarkan struktur pohon dan ciri-ciri penting yang dihasilkan pada tahap penelitian sebelumnya, maka dibuatlah resep untuk pemangku kepentingan terkait: Perguruan Tinggi, dan pimpinan program studi atau dosen. Model deskriptif, prediktif dan preskriptif ini diharapkan dapat bermanfaat bagi pemangku kepentingan terkait untuk secara pribadi melakukan intervensi pada siswa yang berisiko dan mendukung siswa dengan prestasi akademik yang lebih tinggi. Studi ini menyiratkan viii bahwa beberapa fitur institusi, seperti jumlah publikasi di setiap institusi dan kualitas dosen, dapat berkontribusi pada prestasi akademik mahasiswa. Kata kunci: data berskala besar, penggalian data, pemelajaran mesin, Pendidikan tinggi, model prediksi, preskripsi