<![CDATA[Kepastian waktu lulus mahasiswa adalah salah satu indikator krusial dalam mengevaluasi mutu pendidikan tinggi sekaligus menjadi komponen utama akreditasi program studi maupun institusi. Oleh karena itu, kemampuan untuk memprediksi kelulusan tepat waktu sangat diperlukan guna mendukung intervensi akademik yang tepat sasaran. Tujuan dari penelitian ini yaitu membangun model prediksi ketepatan waktu kelulusan mahasiswa dengan pendekatan Stacking Ensemble Learning. Model yang digunakan terdiri atas Random Forest dan XGBoost sebagai base learners, serta Logistic Regression sebagai meta learner. Dataset yang digunakan berjumlah 1.687 data mahasiswa dengan atribut nilai Indeks Prestasi (IP) dari semester 1 hingga semester 4 serta label kelulusan tepat waktu. Tahapan penelitian meliputi preprocessing data (konversi label, penambahan fitur turunan, normalisasi, dan penyeimbangan kelas dengan SMOTE), pemisahan data latih dan uji dengan rasio 70:30, serta pembangunan model stacking. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model stacking ensemble mampu mencapai akurasi sebesar 92,27%, precision 94,49%, recall 90,13%, dan F1-Score 92,26%. Hasil ini lebih tinggi dibandingkan penelitian sebelumnya yang menggunakan Random Forest dengan Random Oversampling, yang hanya memperoleh akurasi 90,04% dan F1-Score 88,38%. Dengan demikian, penelitian ini membuktikan bahwa Stacking Ensemble Learning efektif dalam meningkatkan performa prediksi ketepatan waktu kelulusan mahasiswa dan dapat dijadikan sebagai dasar pengembangan sistem pendukung keputusan akademik]]>
