Prediksi Dampak Keaktifan Organisasi Terhadap Keterlambatan Studi Mahasiswa Menggunakan Gradient Boosting

Riski Ananda; Dicky Apdillah

doi:10.69693/ijmst.v4i3.11448

Authors

Riski Ananda Universitas Asahan
Dicky Apdillah Universitas Asahan

DOI:

https://doi.org/10.69693/ijmst.v4i3.11448

Keywords:

Keterlambatan Studi, Keaktifan Organisasi, Machine Learning, Gradient Boosting, Xgboost, Prediksi, Feature Importance, Universitas Asahan

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh keaktifan organisasi terhadap keterlambatan studi mahasiswa serta membangun model prediksi menggunakan algoritma Gradient Boosting. Objek penelitian adalah mahasiswa Program Studi Teknik Informatika Universitas Asahan angkatan 2020–2022 dengan total 151 sampel. Data dikumpulkan melalui Sistem Informasi Akademik (SIAKAD) untuk variabel akademik dan kuesioner untuk variabel keaktifan organisasi. Variabel akademik meliputi IPK kumulatif, jumlah SKS, mata kuliah remedial, kehadiran, dan cuti akademik, sedangkan variabel organisasi mencakup jenis organisasi, jabatan, lama keaktifan, frekuensi kegiatan, serta skor keaktifan sebagai hasil rekayasa fitur.Metode yang digunakan adalah Gradient Boosting dengan implementasi XGBoost yang dioptimasi menggunakan Grid Search Cross Validation. Hasil penelitian menunjukkan adanya korelasi positif signifikan antara keaktifan organisasi dan keterlambatan studi (r = 0,612; p < 0,001). Model terbaik menghasilkan akurasi 90,32%, presisi 90,60%, recall 90,60%, F1-Score 90,57%, dan AUC-ROC 94,87%, serta menunjukkan stabilitas melalui 10-fold cross validation dengan akurasi rata-rata 89,80%. Model ini juga mengungguli algoritma lain seperti Random Forest, KNN, Decision Tree, Logistic Regression, dan Naive Bayes. Analisis feature importance menunjukkan bahwa skor keaktifan organisasi merupakan faktor paling dominan dalam prediksi. Hasil penelitian ini merekomendasikan penerapan sistem peringatan dini untuk mendeteksi mahasiswa berisiko keterlambatan studi secara lebih efektif.

Author Biography

Dicky Apdillah, Universitas Asahan

Teknik Informatika, Fakultas Teknik, Universitas Asahan

References

Agusmawati, N. K., Arifin, Z., & Tholib, A. (2024). Implementasi Algoritma Machine Learning Bidang Pendidikan Berbasis Web Menggunakan Framework Streamlit. Brandedtech Publisher. https://books.google.co.id/books?id=xEvGEQAAQBAJ

Al-Husaini, M., Saputra, P. A., Renaldi, M., Maulana, R. A., Efitra, E., & Permata, N. G. (2024). Prediksi Tsunami Dengan Metode Ensemble Machine Learning. PT. Sonpedia Publishing Indonesia. https://books.google.co.id/books?id=QAjtEAAAQBAJ

Alam, P., Tanjungpura, U., & Mining, D. (2024). GRADIENT BOOSTING MACHINE PADA KLASIFIKASI KELULUSAN MAHASISWA Virginnia Atlantic , Evy Sulistianingsih , Hendra Perdana. 13(2), 165–174.

Dahlan Abdullah,. (2026). KECERDASAN KOMPUTASIONAL. PENERBIT KBMINDONESIA. https://books.google.co.id/books?id=WBzPEQAAQBAJ

Arbin Janu Setiyowati, (2023). Academic Burnout Siswa dan Implikasinya Terhadap Layanan Bimbingan dan Konseling di Sekolah. Media Nusa Creative(MNCPublishing).https://books.google.co.id/books?id=sY3PEAAAQBAJ

Harefa, E., & Afendi, H. (2024). Buku Ajar Teori Belajar dan Pembelajaran. PT. Sonpedia Publishing Indonesia. https://books.google.co.id/books?id=XCT2EAAAQBAJ

Hartono. (n.d.). modul digital machine learning.

Herjanto, E. (2019). Manajemen Operasi (Edisi 3). Grasindo. https://books.google.co.id/books?id=xGgDqdl5NZEC

Imron, S., Faizah, A., & Informasi, F. T. (2026). Prediksi Kelulusan Mahasiswa Menggunakan Algoritma XGBoost. 9, 76–86.

Iyan. (2024). PENGANTAR ILMU KOMPUTER (Issue 67).

Jamhuri, M., Irawan, M. I., Imam Mukhlash, A. K., & Adab, P. (n.d.). Buku Panduan Praktis Machine Learning dengan Python. Penerbit Adab. https://books.google.co.id/books?id=dNLGEQAAQBAJ

Kadang, M. O., Indahsari, A. N., Sumah, J., Firdaus, F., Nasution, V. M., & Prayoga, J. (2025). Machine Learning Tanpa Label: Panduan Lengkap Unsupervised Learning. Serasi Media Teknologi. https://books.google.co.id/books?id=r3-XEQAAQBAJ

Mesran, S. (2020). Pengantar Teknologi Informasi. Graha Mitra Edukasi. https://books.google.co.id/books?id=gK66EAAAQBAJ

Mira, S. K., & Azriel Christian Nurcahyo, S. K. M. (2025). Data Mining Mengeksplorasi Teknik-Teknik Data Mining dan Metode K-Means Teori, Konsep, Algoritma dan Studi Kasus. Uwais Inspirasi Indonesia. https://books.google.co.id/books?id=32BQEQAAQBAJ

Moh. Saiful Hakiki, S. T. M. M. T., drh. Dwi Aprilia Anggraini, M. V, Riyan Sisiawan Putra, S. E. M. S. M., Denis Fidita Karya, S. S. M. M., & Mohamad Rijal Iskandar Zhulqurnain, S. M. M. C. (2023). Buku Ajar Manajemen Keuangan 1A Konsep-Konsep Dan Studi Kasus Dalam Bidang Keuangan. Uwais Inspirasi Indonesia . https://books.google.co.id/books?id=K6DeEAAAQBAJ

Mulyo, H., & Zyen, A. K. (2025). BULLETIN OF COMPUTER SCIENCE RESEARCH Pengaruh Hyperparameter Tuning Gradient Boosting Terhadap Prediksi Pemilihan Program Studi Mahasiswa Baru. 5(2), 131–137. https://doi.org/10.47065/bulletincsr.v5i2.454

Natekin, & Knoll. (2013). Gradient Boosting Machines. Deepublish. https://books.google.co.id/books?id=eZRYEQAAQBAJ

Nst, E. N., Nurcahyo, G. W., Informatika, M. T., Begalung, L., & Barat, S. (2025). PENERAPAN MACHINE LEARNING MENGGUNAKAN ALGORITMA DECISION TREE UNTUK PREDIKSI. 8(2), 428–439.

Prof. Darmawan Utomo, P. D. T. F. U. S. K. M. C. S. (2025). Deep Learning Dasar Teori dan Implementasi dengan Python dan Keras: Diandra Kreatif. Penalicious. https://books.google.co.id/books?id=nqmQEQAAQBAJ

Rachman, M. A., Maulana, D. R., Timothy, B., Annisa, R., Informatika, S., Bina, U., Informatika, S., Mining, D., & Forest, R. (2026). Aplikasi Prediksi Tingkat Kelulusan Mahasiswa Berdasarkan Data Akademik dan Demografi Menggunakan Algoritma Klasifikasi Random JURNAL MEDIA INFORMATIKA [ JUMIN ]. 7(1), 247–255.

Ramdhan, W. & Trisnawan, A. B. (2026). MACHINE LEARNING TERAPAN: Prediksi Bisnis Dan Marketing Intelligence. https://books.google.co.id/books?id=UznbEQAAQBAJ

Sarwandi, L.. (2023). Sistem Pendukung Keputusan. Graha Mitra Edukasi. https://books.google.co.id/books?id=qmm-EAAAQBAJ

Septiani, S., Nababan, H. S., Siregar, R. W. (2024). Manajemen Pendidikan Tinggi. Sada Kurnia Pustaka. https://books.google.co.id/books?id=KDL3EAAAQBAJ

Sitorus, S. A.& Hasibuan, A.,Dkk . (2022). Pengantar Perilaku Organisasi.

Suryantara, I. G. N. (2024). PYTHON: Implementasi Algoritma Kompleks dalam Era Industri 5.0 dan Society 5.0. Elex Media Komputindo. https://books.google.co.id/books?id=reYnEQAAQBAJ

Umam, F., Satria, V. H., Sukri, H., & Adiputra, F. (2023). MACHINE LEARNING. Media Nusa Creative (MNC Publishing). https://books.google.co.id/books?id=9RbCEQAAQBAJ

Yurika, C., Nanang, W., & Dkk. (2026). Prediksi kelulusan mahasiswa tepat waktu menggunakan perbandingan algoritma random forest dan xgboost. 4(1), 38–45.

Zubair, A. (2026). Data Science Kompetitif dengan Kaggle: Langkah-Langkah Menuju Kemenangan. Penerbit Andi. https://books.google.co.id/books?id=OQ_IEQAAQBAJ