<![CDATA[Prediksi risiko performa akademik diperlukan untuk membantu institusi pendidikan mengidentifikasi siswa yang membutuhkan intervensi lebih awal. Tujuan penelitian ini adalah mengevaluasi pengaruh penanganan data tidak seimbang dan interpretabilitas model terhadap prediksi risiko performa akademik siswa. Penelitian ini menggunakan dataset sekunder Student Performance Factors berjumlah 6.377 data dengan target biner Berisiko dan Tidak Berisiko. Penelitian membandingkan Random Forest, XGBoost, dan CatBoost pada dua skenario, yaitu tanpa SMOTENC dan dengan SMOTENC, serta menambahkan explainable AI melalui feature importance, SHAP, dan analisis arah pengaruh fitur. Evaluasi dilakukan menggunakan accuracy, precision macro, recall macro, F1 macro, F1 weighted, recall per kelas, confusion matrix, stratified 5-fold cross-validation, dan uji signifikansi. Hasil pengujian menunjukkan bahwa CatBoost dengan SMOTENC memperoleh performa terbaik dengan accuracy 94,83%, precision macro 93,06%, recall macro 93,06%, dan F1 macro 93,06%. Penerapan SMOTENC meningkatkan recall kelas Tidak Berisiko pada CatBoost dari 85,76% menjadi 89,56%. Hasil interpretasi menunjukkan bahwa Attendance, Hours_Studied, Tutoring_Sessions, Access_to_Resources, dan Previous_Scores merupakan faktor dominan, dengan nilai yang lebih tinggi cenderung menurunkan prediksi Berisiko. Temuan ini menunjukkan bahwa kombinasi ensemble learning, penanganan imbalanced data, validasi statistik, dan explainable AI dapat mendukung sistem peringatan dini berbasis data.]]>
