Penelitian ini bertujuan untuk menguji efektivitas berbagai algoritma machine
learning dalam memprediksi kemungkinan dropout mahasiswa. Tingkat dropout yang
tinggi merupakan masalah serius di banyak institusi pendidikan, mempengaruhi kinerja
institusi dan masa depan mahasiswa. Empat algoritma utama Random Forest, KNN,
Naive Bayes, dan SVM telah diimplementasikan untuk mengatasi masalah ini,
menggunakan dataset yang mencakup berbagai fitur mahasiswa yang relevan.
Pendekatan-pendekatan machine learning diuji dalam tiga kondisi berbeda:
tanpa modifikasi, dengan hyperparameter tuning, dan dengan penambahan noise, untuk
menilai ketahanan dan efektivitas mereka dalam berbagai skenario. Evaluasi kinerja
dilakukan menggunakan metrik seperti akurasi, precision, recall, F1-score, serta analisis
ROC dan AUC. Analisis feature importance juga dilakukan untuk menentukan fitur-fitur
yang memiliki pengaruh signifikan dalam prediksi.
Random Forest secara konsisten menunjukkan kinerja terbaik dalam semua
kondisi, mencapai Mean Accuracy sekitar 0.99725 tanpa modifikasi, 0.99718 dengan
hyperparameter tuning, dan 0.99127 dengan penambahan noise. Analisis distribusi fitur melalui boxplot memberikan pemahaman lebih lanjut tentang sebaran nilai dan keberadaan outlier, yang membantu dalam menyempurnakan algoritma prediksi.
Penelitian ini memberikan kontribusi penting dalam bidang prediksi dropout mahasiswa dengan mengidentifikasi algoritma dan fitur yang paling efektif untuk prediksi. Saran
yang diberikan berdasarkan hasil analisis dapat membantu institusi pendidikan dalam merancang intervensi yang lebih tepat guna mengurangi tingkat dropout.