<![CDATA[Masalah mahasiswa yang putus kuliah (dropout) menjadi tantangan signifikan bagi perguruan tinggi karena memengaruhi reputasi institusi dan efisiensi pemanfaatan sumber daya kampus. Untuk mengatasi fenomena tersebut, diperlukan sistem prediksi dini guna mengidentifikasi mahasiswa yang berisiko sejak awal perkuliahan. Penelitian ini bertujuan membandingkan kinerja dua algoritma machine learning, yaitu Random Forest dan XGBoost, sekaligus memetakan faktor utama penyebab dropout menggunakan pendekatan Explainable AI (XAI) melalui metode SHAP (SHapley Additive exPlanations). Studi ini menggunakan dataset sekunder dengan total 4.424 record data mahasiswa yang mencakup variabel demografi, sosial-ekonomi, makroekonomi, dan akademik. Proses eksperimen dan pemodelan dilakukan menggunakan lingkungan Google Colab. Hasil pengujian menunjukkan bahwa model Random Forest menghasilkan tingkat akurasi optimal yang lebih tinggi yaitu sebesar 77,40%, dibandingkan model XGBoost yang menghasilkan akurasi sebesar 76,05%. Melalui analisis interpretasi SHAP, penelitian ini menemukan bahwa jumlah mata kuliah yang lulus di semester dua (Curricular units 2nd sem (approved)) dan status kelancaran pembayaran biaya kuliah (Tuition fees up to date) merupakan faktor paling dominan yang memengaruhi keputusan prediksi. Hasil penelitian ini memberikan dasar empiris bagi pengelola perguruan tinggi untuk memprioritaskan kebijakan intervensi pada aspek akademik tahun kedua serta stabilitas finansial mahasiswa sebagai strategi menekan angka putus kuliah.]]>
