<![CDATA[AbstrakKetidakseimbangan kelas (imbalanced data) memicu bias mayoritas pada model konvensional dalam memprediksi retensi mahasiswa. Penelitian ini mengusulkan model peringatan dini (early warning system) dengan mengintegrasikan teknik penyeimbangan data Synthetic Minority Over-sampling Technique (SMOTE) dan pengklasifikasi Random Forest (RF). Untuk menghindari inefisiensi pencarian hyperparameter manual, Algoritma Genetika (GA) diaplikasikan guna melakukan optimasi secara global. Pengujian terhadap dataset historis mahasiswa STT Terpadu Nurul Fikri angkatan 2021 membuktikan bahwa kombinasi SMOTE dan GA-RF sangat efektif. Model hibrida ini mencapai akurasi global 99%, dengan nilai Precision 1,00 dan Recall 0,67 pada deteksi kelas minoritas (dropout). Analisis ekstraksi fitur (Feature Importance) mengungkap bahwa ketahanan studi mahasiswa didominasi oleh performa Indeks Prestasi Semester (IPS) di tahun pertama serta faktor administratif berupa jalur pendaftaran seleksi mandiri.Kata kunci: prediksi Dropout, Ketidakseimbangan Data, SMOTE, Random Forest, Algoritma GenetikaAbstractClass imbalance triggers majority bias in conventional models for predicting student retention. This study proposes an early warning model integrating the Synthetic Minority Over-sampling Technique (SMOTE) for data balancing and a Random Forest (RF) classifier. To avoid manual hyperparameter tuning inefficiencies, a Genetic Algorithm (GA) is applied for global optimization. Testing on the 2021 historical student dataset of STT Terpadu Nurul Fikri proves the effectiveness of combining SMOTE and GA-RF. The hybrid model achieved 99% global accuracy, with 1.00 Precision and 0.67 Recall in minority class (dropout) detection. Feature Importance analysis reveals that student study retention is predominantly driven by first-year Grade Point Average (GPA) performance and administrative factors, specifically the independent selection admission path.Keywords: Dropout Prediction, Imbalanced Data, SMOTE, Random Forest, Genetic Algorithm]]>
