EARLY WARNING SYSTEM KELULUSAN TEPAT WAKTU DENGAN MODEL XGBOOST DAN IDENTIFIKASI PEUBAH PENTING DENGAN MODEL LIME

Abstract

Kelulusan mahasiswa tepat waktu merupakan indikator penting bagi kualitas dan efektivitas perguruan tinggi, sehingga mahasiswa berisiko perlu dikenali sejak dini untuk diberikan intervensi. Untuk itu, penelitian ini mengembangkan early warning system yang memprediksi kelulusan tepat waktu mahasiswa berdasarkan data akademik hingga semester lima dan semester enam di Sekolah Sains Data, Matematika, dan Informatika (SSMI), IPB University, termasuk pada angkatan yang belum menyelesaikan masa studi. Sistem ini dibangun dari data Angkatan 2021 yang memuat 19 peubah penjelas, mencakup prestasi akademik, konversi SKS kegiatan, dan latar belakang ekonomi. Jumlah mahasiswa yang lulus tepat waktu dan yang tidak tepat waktu cenderung tidak seimbang, untuk mengatasi ketidakseimbangan tersebut, data diseimbangkan menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model klasifikasi dibangun menggunakan Extreme Gradient Boosting (XGBoost), yang performanya dioptimalkan melalui hyperparameter tuning dengan rancangan faktorial penuh dan dianalisis menggunakan ANOVA. Model akhir mencapai akurasi 78% dan F1-score terboboti 0,78 pada data uji. Untuk memahami faktor risiko pada tingkat individu, diterapkan Local Interpretable Model-agnostic Explanations (LIME) yang menghasilkan feature importance bagi setiap mahasiswa. Nilai kepentingan tersebut kemudian dikelompokkan menggunakan penggerombolan K-Means dan menghasilkan dua kelompok, yaitu kelompok berisiko dan tidak berisiko dimana pembeda utama antara keduanya adalah konversi SKS kegiatan dan latar belakang geografis. Berdasarkan klaster yang terbentuk diperlukan strategi yang berbeda dsisesuaikan dengan karakteristik tiap kelompok.