<![CDATA[Putus studi (dropout) mahasiswa merupakan masalah pendidikan tinggi yang merugikan secara finansial dan sosial, terutama karena proporsi kelas dropout yang tidak seimbang serta minimnya model prediksi yang transparan dan teruji stabil. Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) yang hyperparameter-nya dioptimasi melalui Bayesian Optimization berbasis Gaussian Process sebanyak 50 iterasi, dilengkapi ambang keputusan berbasis skor F2, yaitu metrik yang memberi bobot lebih besar pada recall dibandingkan precision, untuk mengatasi ketidakseimbangan kelas, serta interpretasi Shapley Additive exPlanations (SHAP) guna menjelaskan kontribusi tiap fitur terhadap prediksi model. Penelitian ini bertujuan mengembangkan kerangka kerja prediksi dropout yang akurat, transparan, dan tervalidasi secara statistik pada dataset 4.424 mahasiswa dengan 34 atribut akademik, demografis, dan sosioekonomi. Hasil sementara menunjukkan bahwa model XGBoost teroptimasi mencapai luas area di bawah kurva Receiver Operating Characteristic (ROC-AUC) sebesar 0,930 dan luas area di bawah kurva presisi-recall (PR-AUC) sebesar 0,904 pada data uji, dengan recall 90,49% pada ambang F2 optimal sebesar 0,2251. Validasi tambahan melalui nested cross-validation menghasilkan ROC-AUC rata-rata 0,924, yang mengonfirmasi stabilitas performa model. Interpretasi SHAP mengungkapkan bahwa jumlah mata kuliah yang lulus pada semester kedua merupakan prediktor paling dominan terhadap risiko dropout. Temuan ini menegaskan bahwa integrasi optimasi hyperparameter dan explainable AI mampu menghasilkan model prediksi dropout yang andal dan akuntabel bagi kebijakan intervensi akademik dini.]]>
Copyrights © 2026
