<![CDATA[Pendidikan tinggi di Indonesia menghadapi tantangan dalam pengelolaan pembayaran mahasiswa, di mana keterlambatan dapat berdampak pada status akademik, termasuk risiko cuti atau pengunduran diri. Penelitian ini bertujuan mengembangkan model prediksi status akademik berbasis data pembayaran kuliah dengan metode Naive Bayes (NB) yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Dataset berjumlah 15.697 record mahasiswa yang telah melalui pra-pemrosesan, termasuk penanganan nilai hilang dan pengkodean atribut kategorikal. Hasil menunjukkan bahwa model NB menghasilkan akurasi 98,83%, precision 98,21%, recall 65,09%, dan AUC 0,905. Optimasi dengan PSO meningkatkan recall menjadi 65,13% dan AUC menjadi 0,907, sementara akurasi dan precision tetap stabil. Analisis fitur mengindikasikan bahwa Jenis Kelamin, Jurusan SLTA, dan Kuliah Sambil Bekerja merupakan atribut paling berpengaruh, sedangkan Pekerjaan Ayah relatif kurang signifikan. Temuan ini menegaskan potensi NB-PSO sebagai pendekatan prediktif untuk mendukung pengelolaan administrasi akademik yang lebih efektif.]]>
Copyrights © 2025
