Optimasi CatBoost Menggunakan Grid Search pada Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa

Abstract

Ketepatan waktu kelulusan mahasiswa merupakan salah satu indikator penting dalam evaluasi kinerja perguruan tinggi. Namun, klasifikasi ketepatan waktu kelulusan pada data akademik sering menghadapi permasalahan distribusi kelas tidak seimbang yang dapat memengaruhi performa model machine learning. Penelitian ini bertujuan mengembangkan model klasifikasi ketepatan waktu kelulusan mahasiswa menggunakan algoritma CatBoost yang dioptimasi hyperparameter menggunakan Grid Search Cross-Validation dalam kerangka Educational Data Mining. Dataset penelitian terdiri dari 951 mahasiswa dengan rasio ketidakseimbangan kelas 1,83:1. Penanganan imbalance dilakukan menggunakan Synthetic Minority Oversampling Technique (SMOTE), sedangkan optimasi hyperparameter dilakukan menggunakan stratified 5-fold cross-validation dengan total 108 kombinasi parameter. Hasil penelitian menunjukkan bahwa model CatBoost teroptimasi menghasilkan performa lebih baik dibandingkan model default dengan accuracy sebesar 91,10%, weighted F1-Score sebesar 91,20%, dan ROC-AUC sebesar 96,09%, meningkat dari accuracy 89,01%, weighted F1-Score 89,20%, dan ROC-AUC 95,39% pada model default. Analisis feature importance menunjukkan bahwa akumulasi SKS dan performa akademik pada semester menengah hingga akhir merupakan faktor yang paling berkontribusi hasil klasifikasi. Penelitian ini menunjukkan bahwa optimasi hyperparameter berperan penting dalam meningkatkan performa CatBoost pada data akademik dengan distribusi kelas tidak seimbang. Model yang dikembangkan merepresentasikan klasifikasi berbasis rekam akademik longitudinal mahasiswa, bukan sistem prediksi dini berbasis data semester awal, karena fitur dengan kontribusi prediktif tertinggi berasal dari semester menengah hingga akhir.