Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

An Explainable Stacked Ensemble Learning Model for Predicting On-Time Doctoral Graduation Using Institutional Academic Data

IJCCS (Indonesian Journal of Computing and Cybernetics Systems) · Vol. 20 No. 2 (2026) · pp. 187–198

DOI
10.22146/ijccs.115875
ISSN
2460-7258, 1978-1520
Published
2026-04-30
Publisher
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Kelulusan tepat waktu mahasiswa program doktoral merupakan indikator utama kinerja akademik dan tata kelola perguruan tinggi, namun hingga kini masih sulit diprediksi secara akurat dan objektif. Banyak institusi yang belum memiliki sistem berbasis data untuk mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan penyelesaian studi. Oleh karena itu, penelitian ini bertujuan mengembangkan model prediksi tepat waktu yang akurat dan dapat dijelaskan dengan memanfaatkan pendekatan pembelajaran ansambel bertumpuk dan kecerdasan buatan yang dapat dijelaskan. Data penelitian berasal dari rekam akademik mahasiswa doktoral Universitas Hindu Negeri I Gusti Bagus Sugriwa Denpasar yang meliputi kinerja akademik, tahapan penelitian, intensitas bimbingan, dan status publikasi, dengan pembagian data pelatihan dan pengujian yang diproses menggunakan Google Colab. Model dibangun dengan menggabungkan Random Forest, Gradient Boosting, dan Extreme Gradient Boosting melalui skema stacking, serta dianalisis menggunakan SHapley Additive exPlanations (SHAP) untuk menjelaskan kontribusi setiap variabel. Hasil penelitian menunjukkan bahwa model ensemble yang diusulkan memiliki akurasi dan stabilitas yang lebih tinggi dibandingkan model tunggal, dengan faktor kinerja akademik awal, bimbingan disertasi, dan publikasi sebagai penentu utama izin tepat waktu. Temuan ini penting sebagai dasar pengambilan keputusan perancang dan intervensi akademik yang lebih tepat sasaran.

Keywords

Collaboration network of the authors

No co-authors found in Melola yet.

Metadata source: OAI-PMH (metadata jurnal) https://journal.ugm.ac.id/ijccs/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">An Explainable Stacked Ensemble Learning Model for Predicting On-Time Doctoral Graduation Using Institutional Academic Data</dc:title>
	<dc:creator>Biasa, I Wayan Eka</dc:creator>
	<dc:subject xml:lang="en-US">Computer Science</dc:subject>
	<dc:subject xml:lang="en-US">Stacked ensemble learning; Explainable artificial intelligence; Prediksi kelulusan doktoral; Random Forest; Gradient Boosting</dc:subject>
	<dc:description xml:lang="en-US">Kelulusan tepat waktu mahasiswa program doktoral merupakan indikator utama kinerja akademik dan tata kelola perguruan tinggi, namun hingga kini masih sulit diprediksi secara akurat dan objektif. Banyak institusi yang belum memiliki sistem berbasis data untuk mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan penyelesaian studi. Oleh karena itu, penelitian ini bertujuan mengembangkan model prediksi tepat waktu yang akurat dan dapat dijelaskan dengan memanfaatkan pendekatan pembelajaran ansambel bertumpuk dan kecerdasan buatan yang dapat dijelaskan. Data penelitian berasal dari rekam akademik mahasiswa doktoral Universitas Hindu Negeri I Gusti Bagus Sugriwa Denpasar yang meliputi kinerja akademik, tahapan penelitian, intensitas bimbingan, dan status publikasi, dengan pembagian data pelatihan dan pengujian yang diproses menggunakan Google Colab. Model dibangun dengan menggabungkan Random Forest, Gradient Boosting, dan Extreme Gradient Boosting melalui skema stacking, serta dianalisis menggunakan SHapley Additive exPlanations (SHAP) untuk menjelaskan kontribusi setiap variabel. Hasil penelitian menunjukkan bahwa model ensemble yang diusulkan memiliki akurasi dan stabilitas yang lebih tinggi dibandingkan model tunggal, dengan faktor kinerja akademik awal, bimbingan disertasi, dan publikasi sebagai penentu utama izin tepat waktu. Temuan ini penting sebagai dasar pengambilan keputusan perancang dan intervensi akademik yang lebih tepat sasaran. </dc:description>
	<dc:publisher xml:lang="en-US">IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.</dc:publisher>
	<dc:contributor xml:lang="en-US">Universitas Hindu Negeri I Gusti Bagus Suugriwa</dc:contributor>
	<dc:contributor xml:lang="en-US">Institut Bisnis dan Teknologi Indonesia</dc:contributor>
	<dc:date>2026-04-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.ugm.ac.id/ijccs/article/view/115875</dc:identifier>
	<dc:identifier>10.22146/ijccs.115875</dc:identifier>
	<dc:source xml:lang="en-US">IJCCS (Indonesian Journal of Computing and Cybernetics Systems); Vol 20, No 2 (2026): April; 187-198</dc:source>
	<dc:source>2460-7258</dc:source>
	<dc:source>1978-1520</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.ugm.ac.id/ijccs/article/view/115875/43991</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2026 IJCCS (Indonesian Journal of Computing and Cybernetics Systems)</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>