APPLICATION OF STACKING ENSEMBLE LEARNING TO IMPROVE THE ACCURACY OF PREDICTING STUDENT GRADUATION TIMES

Hiya Nalatissifa; Sri Diantika Diantika; Riki  Supriyadi; Nurlaelatul  Maulidah; Ahmad  Fauzi

doi:10.35457/e8mfgw75

Authors

Hiya Nalatissifa Universitas Bina Sarana Informatika
Sri Diantika Diantika Universitas Bina Sarana Informatika
Riki Supriyadi Universitas Nusa Mandiri
Nurlaelatul Maulidah Universitas Bina Sarana Informatika
Ahmad Fauzi Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.35457/e8mfgw75

Keywords:

Data Mining, Ketepatan Waktu Kelulusan, Stacking Ensemble Learning

Abstract

Kepastian waktu lulus mahasiswa adalah salah satu indikator krusial dalam mengevaluasi mutu pendidikan tinggi sekaligus menjadi komponen utama akreditasi program studi maupun institusi. Oleh karena itu, kemampuan untuk memprediksi kelulusan tepat waktu sangat diperlukan guna mendukung intervensi akademik yang tepat sasaran. Tujuan dari penelitian ini yaitu membangun model prediksi ketepatan waktu kelulusan mahasiswa dengan pendekatan Stacking Ensemble Learning. Model yang digunakan terdiri atas Random Forest dan XGBoost sebagai base learners, serta Logistic Regression sebagai meta learner. Dataset yang digunakan berjumlah 1.687 data mahasiswa dengan atribut nilai Indeks Prestasi (IP) dari semester 1 hingga semester 4 serta label kelulusan tepat waktu. Tahapan penelitian meliputi preprocessing data (konversi label, penambahan fitur turunan, normalisasi, dan penyeimbangan kelas dengan SMOTE), pemisahan data latih dan uji dengan rasio 70:30, serta pembangunan model stacking. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model stacking ensemble mampu mencapai akurasi sebesar 92,27%, precision 94,49%, recall 90,13%, dan F1-Score 92,26%. Hasil ini lebih tinggi dibandingkan penelitian sebelumnya yang menggunakan Random Forest dengan Random Oversampling, yang hanya memperoleh akurasi 90,04% dan F1-Score 88,38%. Dengan demikian, penelitian ini membuktikan bahwa Stacking Ensemble Learning efektif dalam meningkatkan performa prediksi ketepatan waktu kelulusan mahasiswa dan dapat dijadikan sebagai dasar pengembangan sistem pendukung keputusan akademik

Downloads

Download data is not yet available.

References

[1] T. H. Hasibuan And D. Mahdiana, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta,” Skanika, Vol. 6, No. 1, Pp. 61–74, 2023, Doi: 10.36080/Skanika.V6i1.2976.

[2] M. F. Alie And I. Saluza, “Perbandingan Model Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree Dan Naive Bayes,” Vol. 5, No. 2, Pp. 666–672, 2025.

[3] A. Hidayahtulloh And D. Prasetyo, “Penerapan Algoritma Decision Tree Untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik,” Teknobis Teknol. Bisnis Dan Pendidik., Vol. 2, No. 4, Pp. 615–619, 2024.

[4] A. Sastra, K. Sabri, B. Yanto, F. Asmen, I. Inal, And A. Crisdianto, “Analisis Pengaruh Gaya Hidup Mahasiswa Terhadap Indeks Prestasi Kumulatif (Ipk) Menggunakan Model Regresi,” Kernel J. Ris. Inov. Bid. Inform. Dan Pendidik. Inform., Vol. 4, No. 2, Pp. 89–101, 2023, Doi: 10.31284/J.Kernel.2023.V4i2.7384.

[5] S. Diantika, H. Nalatissifa, N. Maulidah, R. Supriyadi, And A. Fauzi, “Penerapan Teknik Random Oversampling Untuk Memprediksi Ketepatan Waktu Lulus Menggunakan Algoritma Random Forest,” Comput. Sci., Vol. 4, No. 1, Pp. 11–18, 2024, Doi: 10.31294/Coscience.V4i1.1996.

[6] Abdul Karim, Budianto Bangun, Sugeng Prayetno, And Mohammad Afrendi, “Optimasi Prediksi Harga Sawit Menggunakan Teknik Stacking Algoritma Machine Learning Dan Deep Learning Dengan Smote,” Build. Informatics, Technol. Sci., Vol. 7, No. 1, Pp. 638–645, 2025, Doi: 10.47065/Bits.V7i1.7239.

[7] H. Nalatissifa, “Implementasi Stacking Ensemble Untuk Prediksi,” Vol. 5, No. 1, Pp. 1–7, 2025.

[8] N. Herlinawati, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Metode Stacking Ensemble,” J. Device, Vol. 15, No. 1, Pp. 163–170, 2025.

[9] A. T. Arsanto, A. Faizin, M. Lutfi, And Z. N. Saadah, “Optimization Of The Naive Bayes Algorithm With Smotetomek Combination For Imbalance Class Fraud Detection,” Sistemasi, Vol. 13, No. 6, P. 2709, 2024, Doi: 10.32520/Stmsi.V13i6.4719.

[10] M. F. Haryanti, A. Fauzi, A. A. Jelita, And A. Setiyowati, “Pengaruh Data Mining , Strategi Perusahaan Terhadap Laporan Kinerja Perusahaan,” Vol. 3, No. 1, Pp. 71–90, 2024.

[11] S. Anastassia, A. Kharis, A. Haqqi, And A. Zili, “Learning Analytics Dan Educational Data Mining Pada Data Pendidikan,” Vol. 6, Pp. 12–20, 2022.

[12] M. Azwar, L. Widyawati, R. Azhar, K. Kartarina, T. Tanwir, And A. S. Anas, “Deteksi Malware Pada Perangkat Android Menggunakan Ensemble Learning,” Jtim J. Teknol. Inf. Dan Multimed., Vol. 7, No. 3, Pp. 408–419, 2025, Doi: 10.35746/Jtim.V7i3.573.

[13] W. Kurniawan And U. Indahyanti, “Prediksi Angka Harapan Hidup Penduduk Menggunakan Metode Xgboost,” Indones. J. Appl. Technol., Vol. 1, No. 2, P. 18, 2024, Doi: 10.47134/Ijat.V1i2.3045.

[14] H. L. Wati, N. Anggraeni, S. Kolbiah, U. Hendar, And N. Agustina, “Perbandingan Algoritma Random Forest Dan Naratif : Jurnal Ilmiah Nasional Riset Aplikasi Dan Teknik Informatika,” Vol. 07, No. 01, Pp. 64–71, 2025.

[15] A. M. Majid Et Al., “Komparasi Algoritma Klasifikasi Machine Learning Dan Penerapan Metode Ensemble Stacking Untuk Menganalisis Sentimen Kesehatan Mental,” Vol. 8, Pp. 293–304, 2025.

[16] A. Priandika And A. R. Isnain, “Application Of Ensemble Learning Technique For Classification Of Anemia Types Penerapan Teknik Ensemble Learning Untuk,” Vol. 5, No. July, Pp. 972–980, 2025.

[17] Sudarto And Kusrini, “Klasifikasi Tsunami Gempa Bumi Dengan Teknik Stacking Ensemble Machine Learning,” 2023.

[18] A. F. Nugraha, R. Faticha, A. Aziza, And Y. Pristyanto, “Penerapan Metode Stacking Dan Random Forest Untuk Meningkatkan Kinerja Klasifikasi Pada Proses Deteksi Web Phishing,” Vol. 7, No. 1, 2022.

[19] M. Hermansyah, A. Saikhu, And B. Amaliah, “Pemodelan Data Radiosonde Menggunakan Stacking Ensemble Untuk Klasifikasi Hujan,” Vol. 10, No. 2, Pp. 1678–1687, 2025.

[20] J. T. Santoso, Learning Python, Vol. 78, No. 1. 2007. Doi: 10.1016/0019-1035(89)90077-8.

[21] O. Siboro, Y. Pricilia Banjarnahor, A. Gultom, N. Antonius Siagian, And P. D. Silitonga, “Penanganan Data Ketidakseimbangan Dalam Pendekatan Smote Guna Meningkatkan Akurasi Algoritma K-Nn 1),” Snistik Semin. Nas. Inov. Sains Teknol. Inf. Komput., Vol. 1, No. 2, Pp. 473–478, 2024, [Online]. Available: Https://Ejournal.Ust.Ac.Id/Index.Php/Snistik/Article/View/3705

[22] A. K. Putri And Hari Suparwito, “Uji Algoritma Stacking Ensemble Classifier Pada Kemampuan Adaptasi Mahasiswa Baru Dalam Pembelajaran Online,” Konstelasi Konvergensi Teknol. Dan Sist. Inf., Vol. 3, No. 1, Pp. 1–12, 2023, Doi: 10.24002/Konstelasi.V3i1.7009.

[23] D. Fabiyanto And Z. Pratama Putra, “Validasi Efektivitas Logistic Regression Untuk Diagnosa Penyakit Jantung Melalui Pendekatan Machine Learning,” J. Ilm. Fifo, Vol. 16, No. 2, P. 158, 2024, Doi: 10.22441/Fifo.2024.V16i2.006.

[24] M. Fadli And R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke Classification And Evaluation Of Performance Models Random Forest For Stroke Prediction,” J. Tek., Vol. 12, No. 2, Pp. 72–80, 2023, [Online]. Available: Http://Jurnal.Umt.Ac.Id/Index.Php/Jt/Index

[25] A. F. Azmi And A. Voutama, “Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix,” Komputa J. Ilm. Komput. Dan Inform., Vol. 13, No. 1, Pp. 111–119, 2024, Doi: 10.34010/Komputa.V13i1.12639.