<![CDATA[Institusi pendidikan tinggi masih menghadapi tantangan dalam mengidentifikasi risiko keterlambatan kelulusan mahasiswa secara dini, terutama akibat kompleksitas data akademik dan kendala imbalanced data. Penelitian ini bertujuan untuk membangun model prediksi kelulusan mahasiswa yang akurat dengan mengombinasikan algoritma Random Forest dan teknik SMOTE guna menangani kesenjangan jumlah sampel antara kelas mayoritas dan minoritas. Metode yang digunakan adalah eksperimen kuantitatif berbasis Data Mining dengan memanfaatkan bahasa pemrograman Python di lingkungan Google Colab. Dataset yang terdiri dari 1.500 catatan akademik diproses melalui tahap pra-pemrosesan, penyeimbangan data menggunakan SMOTE, hingga klasifikasi menggunakan mekanisme ensemble learning pada Random Forest. Hasil eksperimen menunjukkan performa yang sangat memuaskan dengan tingkat akurasi mencapai 98,75% serta nilai precision, recall, dan f1-score yang stabil. Analisis kepentingan atribut mengungkapkan bahwa Nilai Tugas dan Aktivitas E-Learning merupakan indikator prediktor yang paling berpengaruh dalam menentukan status kelulusan. Model ini memiliki potensi besar untuk diimplementasikan sebagai sistem peringatan dini (Early Warning System) guna membantu institusi dalam memitigasi angka keterlambatan kelulusan secara otomatis dan efisien..]]>
Copyrights © 2026
