ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING DAN EVALUASI STABILITAS PENJELASAN EXPLAINABLE AI (SHAP DAN LIME) UNTUK PREDIKSI DROPOUT MAHASISWA

Dropout mahasiswa menjadi permasalahan serius bagi perguruan tinggi karena berdampak pada mahasiswa maupun institusi. Penelitian ini bertujuan membandingkan kinerja lima algoritma machine learning (Decision Tree, Random Forest, XGBoost, LightGBM, dan CatBoost) dalam memprediksi dropout mahasiswa, membandingkan hasil penjelasan SHAP dan LIME, menganalisis stabilitas kedua metode penjelasan tersebut, serta merekomendasikan kombinasi algoritma dan metode penjelasan yang paling layak digunakan. Penelitian menggunakan dataset sekunder Predict Students' Dropout and Academic Success (UCI ID: 697) yang memuat 4.424 rekaman mahasiswa dengan 36 fitur, dianalisis melalui pipeline eksperimen mencakup RandomizedSearchCV, uji McNemar, paired t-test, serta empat skenario pengujian stabilitas penjelasan. Hasil penelitian menunjukkan CatBoost mencapai ROC-AUC tertinggi (0,9364), sedangkan XGBoost meraih F1-Score dan Recall tertinggi (0,8173 dan 0,7641) sehingga paling sesuai untuk sistem peringatan dini. Seluruh model ensemble unggul signifikan dibanding Decision Tree (McNemar dan paired t-test, p<0,05). Perbandingan SHAP dan LIME pada XGBoost menghasilkan kesepakatan top-10 fitur yang rendah (Jaccard=0,4286), namun fitur akademik dan finansial seperti Curricular units 2nd sem (approved) dan Tuition fees up to date konsisten mendominasi kedua metode. TreeSHAP terbukti deterministik sempurna (Jaccard=1,0000), sedangkan LIME hanya stabil sedang pada level top-10 fitur (Jaccard=0,5557) dan rendah pada peringkat penuh (Spearman=0,1860), menunjukkan sensitivitas LIME terhadap variasi random seed. Meskipun CatBoost unggul pada ROC-AUC, selisihnya terhadap XGBoost tergolong sangat tipis (0,9364 berbanding 0,9302) dan secara statistik tidak signifikan (McNemar dan paired t-test, p>0,05), sedangkan skor stabilitas penjelasan (S) antar-model berbasis TreeSHAP relatif seragam sehingga tidak menjadi faktor pembeda. Keunggulan XGBoost pada F1-Score dan Recall menghasilkan skor kinerja ternormalisasi (P) yang lebih tinggi karena rentang variasi F1-Score antar-model jauh lebih lebar dibanding rentang ROC-AUC yang sangat sempit, sehingga pada kerangka penilaian gabungan CI=0,6P+0,4S, XGBoost tetap unggul meskipun tidak mencatatkan ROC-AUC tertinggi. Kerangka penilaian gabungan yang mengintegrasikan kinerja prediktif dan stabilitas penjelasan (CI=0,6P+0,4S) menempatkan XGBoost sebagai algoritma paling direkomendasikan untuk sistem peringatan dini dropout mahasiswa, dengan skor CI=0,9117 yang konsisten pada seluruh variasi bobot sensitivitas.