Implementasi XGBoost dan Explainable AI Berbasis SHAP untuk Prediksi Risiko Akademik Mahasiswa dalam Mendukung Early Warning System

Abstrak

Penelitian ini bertujuan mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost) dan Explainable Artificial Intelligence (XAI) berbasis SHAP untuk memprediksi risiko akademik mahasiswa serta mendukung pengembangan Early Warning System (EWS) pada perguruan tinggi. Permasalahan yang dihadapi adalah keterlambatan dalam mengidentifikasi mahasiswa yang mengalami penurunan prestasi, sehingga intervensi akademik sering dilakukan setelah masalah menjadi serius. Data yang digunakan dapat meliputi IPK, nilai mata kuliah, jumlah SKS, kehadiran, mata kuliah tidak lulus, aktivitas LMS, serta ketepatan pengumpulan tugas. Data melalui tahap preprocessing, feature engineering, pembagian data latih dan data uji, pelatihan XGBoost, optimasi parameter, serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan ROC-AUC. Selanjutnya, SHAP digunakan untuk menjelaskan kontribusi setiap variabel terhadap prediksi model. Hasil yang diharapkan adalah model yang mampu mengklasifikasikan mahasiswa ke dalam kategori risiko rendah, sedang, dan tinggi sekaligus memberikan penjelasan mengenai faktor yang memengaruhi prediksi. Integrasi hasil prediksi dengan EWS memungkinkan dosen dan program studi melakukan pemantauan serta intervensi akademik secara lebih dini, terukur, dan berbasis data.