PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA BERDASARKAN REKAM AKADEMIK MENGGUNAKAN KOMPARASI ALGORITMA RANDOM FOREST DAN XGBOOST

Abstrak

Tingkat kelulusan tepat waktu mahasiswa merupakan indikator penting dalam akreditasi program studi dan efisiensi mutu pendidikan tinggi. Penelitian ini mengembangkan model prediktif kelulusan mahasiswa berbasis data mining dengan membandingkan algoritma Random Forest dan Extreme Gradient Boosting (XGBoost) memanfaatkan data historis rekam akademik mahasiswa semester 1 hingga semester 4 (IPK per semester, jumlah SKS lulus, dan status keaktifan). Dataset mencakup 800 catatan mahasiswa yang divalidasi menggunakan 10-fold cross-validation. Hasil eksperimen menunjukkan bahwa algoritma XGBoost mengungguli Random Forest dengan akurasi 93,75%, presisi 94,10%, recall 93,20%, dan AUC-ROC 0,968, dibandingkan Random Forest yang memperoleh akurasi 89,50%. Analisis feature importance menetapkan IPK semester 3 dan jumlah SKS kumulatif semester 4 sebagai prediktor paling signifikan dalam menentukan probabilitas kelulusan tepat waktu, memberikan sistem peringatan dini (early warning system) bagi dosen pembimbing akademik.