<![CDATA[Kinerja akademik mahasiswa merupakan indikator penting kualitas pendidikan tinggi dan efektivitas institusi. Banyak perguruan tinggi masih memantau masalah akademik secara reaktif, sehingga pendampingan baru diberikan setelah mahasiswa memperoleh nilai semester rendah atau mendekati risiko putus studi. Penelitian ini bertujuan meninjau secara sistematis penerapan machine learning untuk memprediksi kinerja akademik mahasiswa, dengan perhatian khusus pada Random Forest dan XGBoost, jenis fitur, hasil evaluasi, serta tantangan penelitian. Tinjauan mengikuti protokol Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) melalui tahap identifikasi, penghapusan duplikat, skrining judul dan abstrak, penilaian kelayakan teks lengkap, penilaian kualitas, ekstraksi data, dan sintesis naratif. Pencarian dilakukan pada Scopus, IEEE Xplore, ScienceDirect, Google Scholar, dan Garuda/Sinta terhadap publikasi tahun 2020–2026. Dari 145 artikel yang teridentifikasi, sebanyak 20 artikel memenuhi kriteria dan dianalisis. Hasil sintesis menunjukkan bahwa algoritma ensemble, terutama Random Forest dan XGBoost, paling sering digunakan dan umumnya menghasilkan akurasi 82%–96%. Rekam akademik historis, seperti IPK, nilai semester sebelumnya, nilai mata kuliah prasyarat, dan kehadiran, menjadi prediktor terkuat, diikuti aktivitas pada Learning Management System. Namun, ketidakseimbangan kelas, ketergantungan pada karakteristik dataset, terbatasnya validasi lintas institusi, dan rendahnya interpretabilitas model masih menjadi kendala. Temuan menegaskan pentingnya integrasi data multidimensi dan Explainable Artificial Intelligence untuk membangun sistem peringatan dini akademik yang akurat, transparan, dan berkelanjutan.]]>
Copyrights © 2026
