<![CDATA[Keterlambatan pembayaran biaya kuliah menjadi salah satu permasalahan krusial di perguruan tinggi swasta yang dapat berdampak pada risiko akademik, seperti cuti atau putus studi. Penelitian ini diarahkan untuk mengembangkan model prediktif dalam mengidentifikasi keterlambatan pembayaran oleh mahasiswa, dengan memanfaatkan algoritma klasifikasi Decision Tree dan Random Tree, serta menerapkan metode Particle Swarm Optimization (PSO) untuk proses seleksi fitur. Data yang digunakan dalam penelitian ini mencakup 15.697 mahasiswa, masing-masing memiliki enam atribut sebagai variabel prediktor serta satu atribut target yang menunjukkan status mahasiswa, yaitu aktif atau cuti. Tahapan penelitian mencakup pengumpulan data, pra-pemrosesan, klasifikasi, seleksi fitur, dan evaluasi model dilakukan dengan menggunakan metrik akurasi, serta kurva ROC dan nilai AUC. Hasil penelitian menunjukkan akurasi model mencapai 98,83%, dengan peningkatan signifikan AUC pada Random Tree dari 0,632 menjadi 0,825 setelah seleksi fitur menggunakan PSO. Temuan ini menunjukkan bahwa PSO efektif dalam meningkatkan performa model klasifikasi dan mengurangi kompleksitas fitur yang tidak relevan. Sistem prediktif yang dihasilkan dapat membantu institusi pendidikan dalam melakukan deteksi dini mahasiswa berisiko menunggak, sehingga memungkinkan pengambilan tindakan preventif dan intervensi lebih tepat sasaran untuk mendukung keberlangsungan akademik mahasiswa.]]>
Copyrights © 2025
