EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Komparasi Algoritma Klasifikasi Performa Akademik Mahasiswa Bisnis Digital: SVM, Random Forest, XGBoost, dan LightGBM dengan Penanganan Class Imbalance Menggunakan SMOTE

Lili Indah Sari, Burham Isnanto, Wishnu Aribowo Probonegoro

JSAI (Journal Scientific and Applied Informatics) · 01.06.2026 · 9 (2) · 189-195

DOI: 10.36085/jsai.v9i2.10535 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JSAI (Journal Scientific and Applied Informatics), online erschienen am 01.06.2026. Verfasst von Lili Indah Sari und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Penelitian ini bertujuan untuk membandingkan performa algoritma klasifikasi Support Vector Machine (SVM), Random Forest, XGBoost, dan LightGBM dalam memprediksi performa akademik mahasiswa Program Studi Bisnis Digital ISB Atma Luhur dengan penanganan class imbalance menggunakan metode Synthetic Minority Oversampling Technique (SMOTE). Dataset penelitian terdiri dari 326 data mahasiswa dengan 55 fitur angket berbasis skala Likert, IPK, dan semester yang diklasifikasikan menjadi dua kelas performa akademik. Tahapan penelitian meliputi preprocessing data, normalisasi, penerapan SMOTE, seleksi fitur menggunakan feature importance, pelatihan model, serta evaluasi menggunakan akurasi, presisi, recall, F1-score, F1 Macro, AUC-ROC, dan waktu pelatihan. Hasil penelitian menunjukkan bahwa algoritma XGBoost menghasilkan performa terbaik dengan akurasi sebesar 0,8621, F1 Macro sebesar 0,85, dan AUC sebesar 0,91. LightGBM memperoleh performa yang mendekati XGBoost namun dengan waktu pelatihan yang lebih cepat. Penerapan SMOTE terbukti meningkatkan performa klasifikasi kelas minoritas pada seluruh algoritma, khususnya pada nilai F1-score. Hasil penelitian menunjukkan bahwa kombinasi algoritma boosting dan penanganan class imbalance efektif digunakan untuk prediksi performa akademik mahasiswa berbasis machine learning.

Zitieren

APA

Sari, L. I., Isnanto, B., & Probonegoro, W. A. (2026). Komparasi Algoritma Klasifikasi Performa Akademik Mahasiswa Bisnis Digital: SVM, Random Forest, XGBoost, dan LightGBM dengan Penanganan Class Imbalance Menggunakan SMOTE. JSAI (Journal Scientific and Applied Informatics), 9(2), 189-195. https://doi.org/10.36085/jsai.v9i2.10535

Vancouver

Sari LI, Isnanto B, Probonegoro WA. Komparasi Algoritma Klasifikasi Performa Akademik Mahasiswa Bisnis Digital: SVM, Random Forest, XGBoost, dan LightGBM dengan Penanganan Class Imbalance Menggunakan SMOTE. JSAI (Journal Scientific and Applied Informatics). 2026;9(2):189-195. doi:10.36085/jsai.v9i2.10535

BibTeX
@article{Sari2026,
  author = {Sari, Lili Indah and Isnanto, Burham and Probonegoro, Wishnu Aribowo},
  title = {Komparasi Algoritma Klasifikasi Performa Akademik Mahasiswa Bisnis Digital: SVM, Random Forest, XGBoost, dan LightGBM dengan Penanganan Class Imbalance Menggunakan SMOTE},
  journal = {JSAI (Journal Scientific and Applied Informatics)},
  year = {2026},
  volume = {9},
  number = {2},
  pages = {189--195},
  doi = {10.36085/jsai.v9i2.10535}
}
Kostenlos starten →