Peningkatan Kinerja XGBoost Dalam Klasifikasi Peubah Penting Indeks Prestasi Mahasiswa SNBP IPB University Berbasis EasyEnsemble

Abstract

Implementasi Kurikulum Merdeka menekankan pembelajaran yang fleksibel dan berbasis kompetensi, sehingga menghasilkan mahasiswa dengan latar belakang akademik yang semakin beragam. Kondisi ini berkaitan erat dengan skema penerimaan SNBP yang menyeleksi mahasiswa berdasarkan prestasi akademik tanpa melalui ujian tertulis. Penelitian ini bertujuan untuk mengembangkan pendekatan terintegrasi dengan mengombinasikan metode XGBoost, EasyEnsemble, serta tuning hyperparameter berbasis Fractional Factorial Design 3^4-1 untuk meningkatkan kinerja klasifikasi peubah penting yang memengaruhi IP semester 1 mahasiswa SNBP di IPB University. Data IP dikategorikan ke dalam skema tiga kelas dan empat kelas, serta dievaluasi menggunakan K-Fold Cross Validation. Kinerja model diukur menggunakan metrik accuracy, precision, recall, F1-score, dan G-Mean, sementara feature importance berdasarkan nilai gain XGBoost digunakan untuk mengidentifikasi peubah yang berpengaruh. Hasil penelitian menunjukkan bahwa model XGBoost dengan EasyEnsemble pada skema tiga kelas memberikan kinerja terbaik, dengan nilai accuracy sebesar 90,55% dan G-Mean sebesar 58,18%, serta mampu menangani ketidakseimbangan kelas dengan baik, khususnya pada kelas minoritas. Peubah yang paling berpengaruh meliputi nilai rata-rata keseluruhan, rata-rata nilai mata pelajaran wajib, program studi, provinsi sekolah, dan klaster PPKU. Secara keseluruhan, pendekatan yang diusulkan menunjukkan potensi yang kuat dalam menangani permasalahan klasifikasi tidak seimbang serta mendukung pengambilan keputusan berbasis data.