ANALISIS FEATURE IMPORTANCE DAN SHAP PADA PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA EXTREME GRADIENT BOOSTING (XGBOOST)

Perguruan tinggi kerap menghadapi tantangan dalam pengelolaan program studi, seperti penambahan kelas untuk mahasiswa mengulang, pembimbingan tugas akhir yang melebihi kapasitas, serta ketidakseimbangan rasio dosen dan mahasiswa. Masalah ini umumnya disebabkan oleh mahasiswa yang tidak lulus tepat waktu (≤4 tahun). Oleh karena itu, diperlukan analisis prediksi kelulusan tepat waktu untuk menjaga keseimbangan antara jumlah mahasiswa baru dan lulusan. Penelitian ini bertujuan membangun model prediksi kelulusan mahasiswa Universitas Siliwangi (Unsil) angkatan 2020 yang lulus hingga Agustus 2024, menggunakan algoritma XGBoost, serta mengidentifikasi faktor-faktor yang memengaruhinya. Sebanyak 1.535 data mahasiswa yang mencakup aspek ekonomi orang tua dan capaian akademik digunakan dalam model, dengan fitur seperti penghasilan dan pendidikan orang tua, jumlah tanggungan, jalur masuk, status KIP, dan IPK. Proses analisis meliputi pembersihan, encoding, pembagian data, dan pelatihan model. Evaluasi performa model dilakukan menggunakan confusion matrix dengan hasil akurasi 82%, precision 84%, recall 96%, dan F1-score 90%. Analisis SHAP menunjukkan bahwa mahasiswa dengan penghasilan ayah dibawah Rp1.500.000 dan jalur mandiri cenderung berturut-turut memiliki peluang lebih besar dan lebih kecil untuk lulus tepat waktu. Sementara itu, analisis feature importance menunjukkan bahwa KIP kuliah, jumlah tanggungan, IPK, dan penghasilan ayah merupakan faktor paling berpengaruh dalam prediksi kelulusan.

Kata Kunci: CRISP-DM, Feature importance, Kelulusan, Perguruan tinggi, SHAP.