PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA XGBOOST

Waktu kelulusan mahasiswa seringkali sulit diprediksi sejak dini, hal ini menjadi masalah utama yang dihadapi institusi. Evaluasi yang masih bersifat manual sering kali gagal mengidentifikasi mahasiswa bermasalah, sehingga menyebabkan ketidaktepatan waktu kelulusan yang merugikan mahasiswa dan institusi. Hal ini sangat krusial karena durasi studi dan ketepatan waktu kelulusan merupakan kriteria penting dalam penilaian akreditasi dan mutu institusi. Sebagai solusi inovatif, penelitian ini mengembangkan model prediksi kelulusan menggunakan algoritma XGBoost dan Random Forest dengan menerapkan teknik optimasi hyperparameter melalui Grid Search Cross Validation. Hasil penelitian menunjukkan dengan parameter default, Random Forest lebih unggul dari pada XGBoost. Namun setelah melalui penyetelan hyperparameter, didapatkan XGBoost mendapatkan hasil akurasi yang lebih baik dibandingkan Random Forest dengan kenaikan akurasi yang signifikan dari 88,15% menjadi 92,66% (precision 91,87%, recall 91,67%, dan F1-score 91,38%). Hal ini menegaskan bahwa penyetelan hyperparameter yang tepat adalah kunci strategis untuk memaksimalkan efektivitas model klasifikasi. Dengan demikian, model ini dapat menjadi alat bantu bagi institusi dalam memantau dan mengintervensi potensi keterlambatan studi mahasiswa sejak dini.