Detail Cantuman

Peningkatan ketersediaan data akademik dan demografis mahasiswa di perguruan tinggi membuka peluang pemanfaatan data mining untuk deteksi dini risiko dropout, namun juga menghadirkan tantangan terkait ketidakseimbangan kelas dan pemilihan algoritma klasifikasi yang paling tepat. Dalam banyak kasus, algoritma klasifikasi seperti C5.0, SVM, Naïve Bayes, dan XGBoost menunjukkan performa yang bervariasi tergantung karakteristik data, sehingga diperlukan studi komparatif yang sistematis. Penelitian ini bertujuan membandingkan kinerja keempat algoritma tersebut dalam memprediksi mahasiswa berpotensi dropout menggunakan dataset mahasiswa Polytechnic Institute of Portalegre, Portugal tahun akademik 2008/2009–2018/2019. Proses penelitian mengikuti tahapan CRISP-DM, mencakup eksplorasi data, pembersihan dan transformasi atribut, pembagian data latih dan uji dengan rasio 80:20, serta penanganan ketidakseimbangan kelas menggunakan SMOTE. Model yang dihasilkan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score berbobot. Hasil pengujian menunjukkan bahwa XGBoost memberikan performa paling stabil dan unggul dibanding C5.0, SVM, dan Naïve Bayes, khususnya dalam menjaga keseimbangan antara akurasi dan kemampuan mendeteksi kelas berisiko dropout. Temuan ini mengindikasikan bahwa XGBoost layak dipertimbangkan sebagai model utama dalam sistem peringatan dini dropout berbasis data akademik