PREDIKSI PERFORMA DAN DROPOUT MAHASISWA MENGGUNAKAN METODE ENSEMBLE LEARNING: KAJIAN SISTEMATIS BERBASIS BLENDED LEARNING

Abstract

Seiring meluasnya penerapan blended learning di pendidikan tinggi yang menuntut pemantauan dini terhadap performa dan risiko dropout mahasiswa, temuan riset terkait model prediksi masih tersebar dan belum dibandingkan secara komprehensif sehingga belum jelas metode ensemble mana yang paling unggul, prediktor apa yang paling berpengaruh, serta kapan waktu intervensi paling optimal, kajian sistematis ini bertujuan membandingkan efektivitas XGBoost, AdaBoost, Decision Tree C4.5, dan ensemble heterogen, mengidentifikasi faktor penentu utama berbasis eksplanabilitas, serta memetakan dinamika akurasi prediksi secara temporal untuk menetapkan jendela intervensi, dilakukan sintesis beberapa studi terkemuka periode 2022–2025 dengan membandingkan kinerja model menggunakan akurasi, presisi, recall, F1-score, dan metrik kurva (termasuk AUC-PR) serta merangkum analisis SHAP dan evaluasi kinerja per kuartal pembelajaran (Q1–Q4), metode ensemble secara konsisten mengungguli klasifikasi tunggal sebesar 2–10% pada metrik utama; XGBoost mencapai AUC-PR 89,5%, presisi 95%, dan recall 93%, sementara kombinasi AdaBoost–XGBoost mencapai akurasi 97,06% pada kuartal keempat; SHAP menunjukkan prediktor paling berpengaruh meliputi indikator performa akademik, tingkat penyelesaian tugas, jumlah interaksi LMS, kondisi kesehatan mental, dan variabel sosial ekonomi, serta analisis temporal mengonfirmasi akurasi meningkat dari Q1 (85–88%) ke Q3 (94–97%) sehingga minggu ke-9 hingga ke-10 merupakan jendela intervensi optimal bagi institusi tinggi Indonesia untuk mengimplementasikan sistem peringatan dini mahasiswa berisiko.