<![CDATA[Perkembangan Generative AI (GenAI) dalam pendidikan tinggi memunculkan fenomena baru berupa peningkatan risiko burnout akademis mahasiswa yang tidak lagi semata dipicu oleh beban belajar konvensional, melainkan oleh pola interaksi dengan kecerdasan buatan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma Machine Learning, yaitu Logistic Regression, Random Forest Classifier, dan XGBoost, dalam mengklasifikasikan tingkat risiko burnout akademis (High, Medium, Low) berdasarkan data profil 50.000 mahasiswa dengan 16 atribut, termasuk durasi penggunaan GenAI mingguan (Weekly_GenAI_Hours) dan tingkat ketergantungan psikologis terhadap AI (Perceived_AI_Dependency). Metode penelitian meliputi eksplorasi data, pra-pemrosesan (encoding, normalisasi, pembagian data latih-uji 80:20), pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan akurasi model berkisar antara 51,96% hingga 53,83%, dengan Logistic Regression baseline mencatatkan akurasi tertinggi (53,83%), diikuti XGBoost setelah tuning (53,62%) dan Random Forest setelah tuning (53,27%). Hyperparameter tuning terbukti meningkatkan akurasi model berbasis pohon secara signifikan, namun tidak pada model linear. Ekstraksi feature importance dari Random Forest dan XGBoost secara konsisten menempatkan Weekly_GenAI_Hours dan Perceived_AI_Dependency sebagai dua prediktor terkuat, jauh melampaui variabel akademik tradisional seperti IPK dan jam belajar. Analisis confusion matrix mengungkap tumpang tindih klasifikasi terutama pada kelas Medium. Temuan ini memberikan bukti empiris bahwa intensitas dan ketergantungan penggunaan GenAI merupakan determinan utama burnout akademis, sehingga dapat menjadi dasar objektif bagi kebijakan pembatasan penggunaan AI yang sehat di lingkungan pendidikan.]]>
