<![CDATA[Kelulusan tepat waktu mahasiswa program doktoral merupakan indikator utama kinerja akademik dan tata kelola perguruan tinggi, namun hingga kini masih sulit diprediksi secara akurat dan objektif. Banyak institusi yang belum memiliki sistem berbasis data untuk mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan penyelesaian studi. Oleh karena itu, penelitian ini bertujuan mengembangkan model prediksi tepat waktu yang akurat dan dapat dijelaskan dengan memanfaatkan pendekatan pembelajaran ansambel bertumpuk dan kecerdasan buatan yang dapat dijelaskan. Data penelitian berasal dari rekam akademik mahasiswa doktoral Universitas Hindu Negeri I Gusti Bagus Sugriwa Denpasar yang meliputi kinerja akademik, tahapan penelitian, intensitas bimbingan, dan status publikasi, dengan pembagian data pelatihan dan pengujian yang diproses menggunakan Google Colab. Model dibangun dengan menggabungkan Random Forest, Gradient Boosting, dan Extreme Gradient Boosting melalui skema stacking, serta dianalisis menggunakan SHapley Additive exPlanations (SHAP) untuk menjelaskan kontribusi setiap variabel. Hasil penelitian menunjukkan bahwa model ensemble yang diusulkan memiliki akurasi dan stabilitas yang lebih tinggi dibandingkan model tunggal, dengan faktor kinerja akademik awal, bimbingan disertasi, dan publikasi sebagai penentu utama izin tepat waktu. Temuan ini penting sebagai dasar pengambilan keputusan perancang dan intervensi akademik yang lebih tepat sasaran.]]>
Copyrights © 2026
