Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Kevin Rasi Dauly Pardede
Universitas HKBP Nomensen, Pematangsiantar, Indonesia
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Kinerja Akademik Mahasiswa Menggunakan Algoritma Random Forest dan XGBoost: Tinjauan Sistematis Berbasis Protokol PRISMA Hans Lambertus Sidabutar; Jaya Tata Hardinata; Kevin Rasi Dauly Pardede
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12477

Abstract

Kinerja akademik mahasiswa merupakan indikator penting kualitas pendidikan tinggi dan efektivitas institusi. Banyak perguruan tinggi masih memantau masalah akademik secara reaktif, sehingga pendampingan baru diberikan setelah mahasiswa memperoleh nilai semester rendah atau mendekati risiko putus studi. Penelitian ini bertujuan meninjau secara sistematis penerapan machine learning untuk memprediksi kinerja akademik mahasiswa, dengan perhatian khusus pada Random Forest dan XGBoost, jenis fitur, hasil evaluasi, serta tantangan penelitian. Tinjauan mengikuti protokol Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) melalui tahap identifikasi, penghapusan duplikat, skrining judul dan abstrak, penilaian kelayakan teks lengkap, penilaian kualitas, ekstraksi data, dan sintesis naratif. Pencarian dilakukan pada Scopus, IEEE Xplore, ScienceDirect, Google Scholar, dan Garuda/Sinta terhadap publikasi tahun 2020–2026. Dari 145 artikel yang teridentifikasi, sebanyak 20 artikel memenuhi kriteria dan dianalisis. Hasil sintesis menunjukkan bahwa algoritma ensemble, terutama Random Forest dan XGBoost, paling sering digunakan dan umumnya menghasilkan akurasi 82%–96%. Rekam akademik historis, seperti IPK, nilai semester sebelumnya, nilai mata kuliah prasyarat, dan kehadiran, menjadi prediktor terkuat, diikuti aktivitas pada Learning Management System. Namun, ketidakseimbangan kelas, ketergantungan pada karakteristik dataset, terbatasnya validasi lintas institusi, dan rendahnya interpretabilitas model masih menjadi kendala. Temuan menegaskan pentingnya integrasi data multidimensi dan Explainable Artificial Intelligence untuk membangun sistem peringatan dini akademik yang akurat, transparan, dan berkelanjutan.
Co-Authors Hans Lambertus Sidabutar Jaya Tata Hardinata