PERBANDINGAN MODEL MACHINE LEARNING UNTUK PREDIKSI DROP-OUT MAHASISWA DENGAN ANALISIS FEATURE IMPORTANCE BERBASIS STUDI LITERATUR

Abstract

Tingginya angka drop-out mahasiswa menjadi isu strategis di perguruan tinggi karena berdampak pada kualitas lulusan, akreditasi, dan reputasi institusi, sehingga diperlukan pendekatan prediktif yang akurat dan interpretatif. Permasalahan utama terletak pada kompleksitas faktor penyebab yang mencakup aspek akademik, sosial, dan psikologis, serta ketidakseimbangan data yang berpotensi menurunkan kinerja model klasifikasi. Penelitian ini bertujuan membandingkan performa beberapa model machine learning dan mengidentifikasi faktor dominan dalam prediksi drop-out mahasiswa. Metode yang digunakan meliputi pemilihan model melalui studi literatur, pemanfaatan dataset publik dari Kaggle, serta penerapan algoritma Random Forest, Decision Tree, dan Logistic Regression yang dievaluasi menggunakan accuracy, precision, recall, F1-score, dan AUC, serta analisis feature importance berbasis SHAP. Hasil menunjukkan Logistic Regression memiliki performa paling optimal dengan AUC 0,81, recall 0,7537, F1-score 0,5726, dan accuracy 0,7350, yang mencerminkan kemampuan diskriminatif yang lebih stabil dibandingkan model lain. Random Forest meskipun menghasilkan accuracy tertinggi (0,7805), tidak konsisten pada metrik lainnya, sedangkan Decision Tree memiliki performa terendah. Analisis mengungkap bahwa CGPA dan Stress_Index merupakan faktor utama, sehingga penelitian ini menegaskan pentingnya keseimbangan antara akurasi dan interpretabilitas dalam pengembangan sistem peringatan dini berbasis data di perguruan tinggi