Prediksi Performa Akademik Siswa Menggunakan Machine Learning Berbasis Feature Engineering dan Explainable AI: Predicting Student Academic Performance Using Machine Learning with Feature Engineering and Explainable AI

Perkembangan machine learning dalam bidang pendidikan memungkinkan pemanfaatan data untuk memprediksi performa akademik siswa sehingga dapat mendukung deteksi dini dan perumusan intervensi yang lebih tepat. Namun, sebagian penelitian masih berfokus pada peningkatan akurasi, sementara pengembangan representasi fitur berbasis pengetahuan domain (domain knowledge) untuk menggambarkan faktor sosioekonomi dan dukungan orang tua masih terbatas. Penelitian ini bertujuan untuk membangun model prediksi yang tidak hanya akurat tetapi juga mudah diinterpretasikan melalui integrasi feature engineering dan pendekatan Explainable Artificial Intelligence (XAI). Dataset yang digunakan terdiri dari 6.607 data siswa dengan 20 fitur. Tiga fitur baru dikembangkan, yaitu Study_Efficiency, Socioeconomic_Index, dan Parental_Support_Index. Selanjutnya, tujuh algoritma regresi dioptimasi menggunakan hyperparameter tuning dan dievaluasi berdasarkan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), , serta 10-fold cross-validation. Hasil menunjukkan bahwa model Lasso memberikan performa terbaik dengan sebesar 0,7710 pada data uji dan 0,7392 0,1089 pada cross-validation. Analisis SHapley Additive exPlanations (SHAP) dan Partial Dependence Plot (PDP) menunjukkan bahwa faktor perilaku seperti Attendance dan Hours_Studied memiliki kontribusi yang lebih dominan, sementara fitur hasil rekayasa membantu merepresentasikan faktor sosioekonomi secara lebih terstruktur. Temuan ini menunjukkan bahwa model linear dengan representasi fitur yang sesuai dapat memberikan performa yang kompetitif sekaligus tetap transparan.