Dominansi Fitur Perilaku Keuangan dan Tren Akademik pada Deteksi Dini Kelulusan Mahasiswa dengan XGBoost

Abstract

Ketepatan waktu kelulusan merupakan indikator krusial bagi keberlanjutan institusi pendidikan tinggi. Namun, metode pemantauan konvensional sering kali luput mendeteksi mahasiswa berisiko secara dini karena hanya mengandalkan atribut demografi statis dan mengabaikan dinamika perilaku mahasiswa. Penelitian ini bertujuan mengembangkan model deteksi dini keterlambatan lulus yang berfokus pada fitur perilaku keuangan dan tren akademik pada dataset berskala kecil dan tidak seimbang di Universitas PGRI Mahadewa Indonesia menggunakan algoritma Extreme Gradient Boosting (XGBoost). Tantangan berupa ketidakseimbangan data (imbalanced data) dengan baseline accuracy sebesar 67,61% diatasi melalui teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil eksperimen menunjukkan performa model yang andal dengan rata-rata F1-Score sebesar 81,56% dan Recall 80,81%, yang membuktikan efektivitas sistem sebagai solusi dalam meminimalkan kesalahan deteksi pada mahasiswa berisiko. Analisis Feature Importance mengungkapkan bahwa variabel perilaku dinamis lebih dominan dibandingkan faktor demografi statis. IPS Semester 4 (Gain 0,269) dan Frekuensi Tunggakan (Gain 0,151) ditemukan sebagai prediktor paling signifikan. Temuan ini mengonfirmasi bahwa performa akademik di fase menengah dan kedisiplinan administrasi keuangan merupakan indikator kritis kelulusan. Penelitian ini merekomendasikan penerapan Sistem Deteksi Hibrida pada akhir semester 4 untuk memberikan intervensi tepat sasaran bagi mahasiswa di Zona Merah.