Implementasi Hybrid Machine Learning (Random Forest dan XGBoost) Untuk Prediksi Kinerja Akademik Mahasiswa Universitas Dipa Makassar

Khaerunnisa.S (Teknik Informatika, Universitas Dipa Makassar)
Fitriah Nabila Putri Tamar (Teknik Informatika, Universitas Dipa Makassar)
Indra Samsie (Universitas Dipa Makassar)
Andi Irmayana (Universitas Dipa Makassar)

DIPANEGARA KOMPUTER TEKNOLOGI INFORMATIKA (DIPAKOMTI)
Vol. 18 No. 1 (2026): Jurnal Dipanegara Komputer Teknik Informatika (DIPAKOMTI)

Penelitian ini bertujuan mengklasifikasikan kinerja akademik mahasiswa menggunakan pendekatan hybrid machine learning berbasis stacking ensemble. Dataset terdiri dari data akademik mahasiswa angkatan 2023 Universitas Dipa Makassar berupa total SKS lulus selama tiga semester (SKSL) sebagai variabel input, dengan label kinerja akademik dibentuk berdasarkan IPK yang dikategorikan menjadi Tidak Baik (IPK < 2.00), Baik (IPK 2.00–2.99), dan Sangat Baik (IPK 3.00–4.00). Model hybrid mengombinasikan Random Forest dan XGBoost sebagai base learners, serta Logistic Regression sebagai meta-learner. Tahapan penelitian meliputi preprocessing data, pembagian data stratified split 80:20, hyperparameter tuning, dan pengujian 5-fold cross-validation. Hasil menunjukkan model hybrid stacking ensemble mencapai akurasi 91%, precision 90%, recall 86%, dan F1-score 88%. Model Random Forest dan XGBoost masing-masing mencapai akurasi 92%, precision 91%, recall 87%, dan F1-score 89%. Pendekatan hybrid machine learning dengan stacking ensemble efektif mendukung evaluasi kinerja akademik mahasiswa berbasis data dan dapat digunakan untuk deteksi dini mahasiswa berisiko.