OPTIMASI HYPERPARAMETER GRID SEARCH PADA PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK PREDIKSI RETENSI MAHASISWA STRATA 1 BERBASIS DATASET PRIMER MULTIDIMENSIDimasPradiptoauthorRetensi mahasiswa merupakan salah satu isu strategis yang paling kritis dalam pengelolaan pendidikan tinggi modern. Data dari National Center for Education Statistics (NCES) Amerika Serikat mencatat bahwa sekitar 40% mahasiswa yang mendaftar di perguruan tinggi tidak berhasil menyelesaikan gelarnya dalam enam tahun pertama, sementara di Indonesia, Kementerian Pendidikan dan Kebudayaan mencatat 602.208 mahasiswa atau sekitar 7% dari total 8,48 juta mahasiswa terdaftar berhenti kuliah pada tahun 2019, dengan 79,5% di antaranya berasal dari Perguruan Tinggi Swasta. Kondisi ini mendorong penelitian berbasis data di Universitas Ibnu Sina (UIS), perguruan tinggi swasta di Kota Batam dengan 2.389 mahasiswa aktif dari enam program studi pada tiga fakultas, yang mencatat variasi tingkat retensi signifikan antarprogram studi khususnya Teknik Informatika dengan persentase mahasiswa berisiko tertinggi sebesar 36,2%. Penelitian ini bertujuan membangun dataset primer retensi mahasiswa UIS yang mencakup 18 variabel prediktor dari empat dimensi, yaitu akademik (IPS Semester 1–4, IPK Sementara, Jumlah SKS Gagal, Jumlah MK Mengulang, Jumlah Nilai D & E), demografis (Jenis Kelamin, Asal Sekolah, Usia Mendaftar, Asal Kota), sosial-ekonomi (Pekerjaan Orang Tua, Penghasilan Orang Tua, Jumlah Cuti), dan administratif (Program Studi, Periode Masuk, Sisa Masa Studi) dari 2.389 mahasiswa angkatan 2021/2022–2023/2024. Ketidakseimbangan kelas yang ekstrem (Aktif 75,0%, Berisiko 21,9%, Tidak Aktif 3,2%) ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) yang diterapkan eksklusif pada data training untuk mencegah data leakage. Kedua algoritma Random Forest (RF) dan Support Vector Machine (SVM) dengan kernel RBF dioptimalkan melalui Grid Search 5-Fold Cross Validation dan dievaluasi menggunakan akurasi, precision, recall, serta F1-Score weighted dan macro average. Hasil penelitian menunjukkan Random Forest secara konsisten mengungguli SVM pada seluruh metrik evaluasi, dengan akurasi 92,24% vs. 87,63% dan F1Score Macro Average 84,06% vs. 75,27%. Perbedaan paling signifikan terdapat pada deteksi kelas "Tidak Aktif" dengan F1-Score RF (72,73%) lebih tinggi 15,59 poin dibandingkan SVM (57,14%). Analisis feature importance mengungkap bahwa Jumlah SKS Gagal (0,2847) dan IPK Sementara (0,2134) merupakan prediktor terkuat, diikuti IPS Semester 1 (0,1023), sementara faktor non-akademik riwayat cuti (0,0428) dan penghasilan orang tua (0,0312) turut berkontribusi signifikan. Disimpulkan bahwa Random Forest merupakan algoritma terbaik untuk prediksi retensi mahasiswa UIS. Peneliti selanjutnya disarankan memperluas fitur dataset dengan variabel psikologis, membandingkan dengan algoritma boosting (XGBoost, LightGBM), serta mengeksplorasi teknik penanganan class imbalance lain seperti ADASYN atau SMOTE-Tomek Links.005 Pemrograman komputer, program dan data2026-06-11Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis