%0 Thesis
%9 S2 - Magister
%A SWASTIKAWATI, CLAUDIA
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2025
%F universitasamikomyogyakarta:31738
%I Universitas AMIKOM Yogyakarta
%K stacking ensemble, prediksi performa akademik, feature importance,  SMOTE, XGBoost
%T PENGEMBANGAN MODEL PREDIKSI PERFORMA   AKADEMIK CALON MAHASISWA MENGGUNAKAN  PENDEKATAN STACKING ENSEMBLE LEARNING   (Studi Kasus: Universitas Slamet Riyadi)
%U https://eprints.amikom.ac.id/id/eprint/31738/
%X Penelitian ini berjudul Pengembangan Model Prediksi Performa Akademik  Calon Mahasiswa Menggunakan Pendekatan Stacking Ensemble Learning.  Penelitian ini bertujuan mengembangkan model prediksi performa akademik calon  mahasiswa sejak tahap penerimaan dengan memanfaatkan data historis  pendaftaran. Variabel penelitian dibatasi pada fitur akademik, meta-features,  sosioekonomi, dan demografi yang bersumber dari data Penerimaan Mahasiswa  Baru (PMB) dan PDDikti Universitas Slamet Riyadi. Metode yang digunakan  adalah pembelajaran mesin dengan pendekatan stacking ensemble learning,  menggunakan Random Forest, Support Vector Machine, dan K-Nearest Neighbors  sebagai model dasar, serta XGBoost sebagai meta-model. Untuk mengatasi  ketidakseimbangan kelas pada klasifikasi multikelas, diterapkan teknik Synthetic  Minority Over-sampling Technique (SMOTE).  Hasil penelitian menunjukkan bahwa model stacking ensemble memberikan  performa prediksi yang lebih stabil dan unggul dibandingkan model tunggal  maupun kombinasi dua model dasar. Kombinasi tiga model dasar menghasilkan  kinerja terbaik berdasarkan metrik akurasi, presisi, recall, F1-score, dan AUCROC.    Berdasarkan analisis feature importance pada meta-model, fitur akademik  menjadi kontributor dominan dengan persentase antara 47-50%, diikuti oleh metafeatures  sebesar  17-21%,  fitur  sosioekonomi  sebesar  18-20%,  dan  fitur  demografi    sebesar  12-14%.  Temuan  ini  menunjukkan  bahwa    indikator akademik awal dan  keluaran prediktif dari model dasar memiliki peran utama dalam memetakan  performa akademik mahasiswa sejak tahap pendaftaran.  Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan stacking  ensemble learning efektif dalam membangun model prediksi performa akademik  calon mahasiswa secara multikelas. Model yang dikembangkan mampu melakukan  generalisasi dengan baik serta merepresentasikan kondisi kelulusan aktual  mahasiswa, sehingga berpotensi digunakan sebagai sistem pendukung keputusan  dalam seleksi penerimaan mahasiswa baru dan perencanaan pembinaan akademik  berbasis data.