PENDEKATAN EXPLAINABLE MACHINE LEARNING UNTUK ANALISIS FAKTOR DROP OUT MAHASISWA MENGGUNAKAN XGBOOST

Permasalahan drop out mahasiswa merupakan isu strategis dalam pendidikan tinggi karena memiliki dampak langsung terhadap kualitas akademik, efisiensi institusi, dan akreditasi perguruan tinggi. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang berkontribusi secara statistik terhadap variasi IPK mahasiswa yang mengalami drop out dengan menggunakan pendekatan Explainable Machine Learning. Model prediktif dibangun menggunakan algoritma Extreme Gradient Boosting (XGBoost) untuk memperoleh kinerja prediksi yang optimal, sementara metode Shapley Additive Explanations (SHAP) digunakan untuk memberikan interpretasi terhadap kontribusi masing-masing fitur dalam model. Dataset penelitian mencakup data akademik, administratif, dan demografis mahasiswa yang mengalami drop out dalam dua tahun akademik terakhir. Hasil evaluasi menunjukkan bahwa model XGBoost menunjukkan kinerja prediksi yang sangat baik dengan nilai R² sebesar 0,820 yang mengindikasikan bahwa sebagian besar variasi IPK dapat dijelaskan oleh model, serta didukung oleh nilai Root Mean Squared Error (RMSE) sebesar 0,344 dan Mean Absolute Error (MAE) sebesar 0,172 yang menunjukkan bahwa tingkat kesalahan prediksi relatif rendah. Analisis SHAP mengungkapkan bahwa jumlah SKS yang ditempuh dan status pembayaran SPP merupakan dua faktor yang paling berkontribusi secara statistik terhadap perubahan IPK dalam model prediktif. Penelitian ini memberikan wawasan yang lebih komprehensif dengan menggabungkan kinerja prediktif yang tinggi dan interpretabilitas model sehingga dapat mendukung institusi pendidikan dalam mengidentifikasi risiko akademik mahasiswa secara lebih dini berbasis data.