Penerapan XGBoost dengan Augmentasi SMOTE dalam Klasifikasi Performa Akademik Mahasiswa

Data yang tidak seimbang dalam klasifikasi merupakan tantangan yang cukup umum. Terdapat suatu kelas mayoritas yang mendominasi dan menyebabkan model cenderung mengabaikan kelas dengan jumlah data minoritas (sedikit). Salah satu kasus klasifikasi yang menghadapi masalah ini adalah prediksi performa akademik mahasiswa, di mana distribusi data mahasiswa dengan performa tinggi dan rendah sering kali tidak seimbang. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma XGBoost dalam menangani data tidak seimbang serta menganalisis pengaruh teknik augmentasi Synthetic Minority Over-sampling Technique (SMOTE) terhadap hasil klasifikasi. XGBoost dipilih karena efisiensinya dalam menangani data tabular dan kemampuannya dalam menghadapi ketidakseimbangan kelas, sedangkan SMOTE digunakan untuk menghasilkan data sintesis yang membantu meningkatkan keberadaan kelas dengan jumlah data minoritas (sedikit). Penelitian ini dilakukan dengan membandingkan performa model XGBoost dengan menggunakan dan tanpa SMOTE. Metrik evaluasi model seperti akurasi, presisi, recall, dan F1-score. Hasil dari penelitian ini menghasilkan tingkat akurasi sebanyak 68% tanpa SMOTE dengan adanya 1 kelas dengan jumlah data minoritas (sedikit) yang kurang terdeteksi, namun penggunaan SMOTE memberikan peningkatan akurasi model hingga 70% dengan semua kelas terwakilkan dengan baik. Peneliti berharap jika penelitian ini dapat memberikan kontribusi wawasan tentang pengaruh XGBoost dan SMOTE dalam meningkatkan hasil klasifikasi pada dataset dengan distribusi kelas yang tidak seimbang.