<![CDATA[Penelitian ini menyajikan pendekatan machine learning untuk memprediksi performa akademik mahasiswa berdasarkan kebiasaan bermain game dan faktor gaya hidup terkait menggunakan CatBoost Regressor. Penelitian ini menggunakan dataset Gaming vs Academic Performance yang terdiri atas 8.000 data dan 14 variabel yang merepresentasikan karakteristik mahasiswa, perilaku bermain game, kebiasaan belajar, durasi tidur, kehadiran, tingkat stres, dan nilai akademik. Dalam penelitian ini, nilai akademik digunakan sebagai variabel target, sedangkan prediktor yang dipilih meliputi jam belajar, jam bermain game, jam tidur, kehadiran, addiction score, dan tingkat stres yang telah dienkode. Tahap preprocessing meliputi standardisasi nama kolom, pembatasan nilai maksimum grades menjadi 100, serta pembentukan fitur rasio belajar terhadap bermain game untuk menangkap keseimbangan antara aktivitas akademik dan gaming. Optimasi hyperparameter dilakukan menggunakan Optuna, sedangkan performa model dievaluasi menggunakan 5-fold cross-validation dengan metrik Root Mean Square Error, Mean Absolute Error, dan R² score. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai rata-rata RMSE sebesar 5,5145, MAE sebesar 4,3139, dan nilai R² sebesar 0,9384, yang menunjukkan akurasi prediksi yang tinggi serta kemampuan penjelasan model yang kuat. Temuan ini menunjukkan bahwa variabel terkait gaming dan gaya hidup akademik memiliki kontribusi yang bermakna dalam prediksi nilai mahasiswa, serta menegaskan bahwa CatBoost Regressor efektif untuk tugas prediksi performa akademik pada konteks ini.]]>
Copyrights © 2026
