<![CDATA[Abstrak:Mahasiswa dengan performa akademis yang buruk dan tingkat drop out yang relatif tinggi dapat memengaruhi akreditasi dan citra institusi pendidikan tinggi. Hal tersebut dapat diantisipasi dengan cara mengevaluasi kondisi akademik mahasiswa, khususnya pada mahasiswa yang menunjukkan penurunan performa akademis. Penelitian ini bertujuan memberikan informasi mengenai faktor-faktor yang memengaruhi risiko akademis mahasiswa menggunakan explainable machine learning. Persentase mahasiswa yang berisiko akademis hanya sebesar 7,3% sehingga kasus imbalance ini perlu ditangani menggunakan SMOTE untuk mengoptimalkan kinerja model klasifikasi. Model random forest pada data yang telah seimbang memiliki kemampuan prediksi dengan tingkat akurasi 96,4%, specificity mencapai 95%, dan nilai recall atau sensitivity sebesar 98%. Selanjutnya, SHAP diimplementasikan untuk mengetahui kontribusi masing-masing faktor terhadap potensi risiko akademik. Hasil dari SHAP menunjukkan bahwa skor TPKA kuantitatif, diikuti oleh jenis kelamin dan jalur masuk memiliki kontribusi paling tinggi terhadap risiko akademis mahasiswa===========================================Abstract:Students with poor academic performance and relatively high dropout rates can affect the accreditation and image of higher education institutions. This can be anticipated by evaluating the academic conditions of students, especially those who show a decline in academic performance. This study uses explainable machine learning to provide information on the factors that influence students’ academic risk. The percentage of students at academic risk is only 7.3%, so this imbalance case needs to be handled using SMOTE to optimize the performance of the classification model. The random forest model on balanced data has a predictive ability with an accuracy level of 96.4%, specificity reaching 95%, and a recall or sensitivity value of 98%. Furthermore, SHAP is implemented to determine the contribution of each factor to the potential academic risk. The results of SHAP show that the three most significant contributing factors to students’ academic risk are the quantitative TPKA score, followed by gender and type of student admission.]]>
