Evaluasi LightGBM pada Klasifikasi Tingkat Prokrastinasi Akademik Mahasiswa Berbasis Data Psikometrik
DOI:
https://doi.org/10.33795/jip.v12i4.10333Keywords:
LightGBM, Prokrastinasi Akademik, Data Psikometrik, Klasifikasi, SMOTE-NC, Mahasiswa AkhirAbstract
Mahasiswa tingkat akhir menghadapi tuntutan akademik yang semakin kompleks, terutama saat menyelesaikan skripsi yang membutuhkan kemandirian, pengelolaan waktu, dan keteraturan belajar. Dalam kondisi tersebut, kesulitan menjaga proses belajar dapat mendorong munculnya prokrastinasi akademik, yaitu kecenderungan menunda pekerjaan akademik dan memilih aktivitas lain yang lebih menyenangkan, sehingga berpotensi menurunkan pencapaian belajar serta meningkatkan tekanan psikologis mahasiswa. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Light Gradient Boosting Machine (LightGBM) dalam klasifikasi tingkat prokrastinasi akademik mahasiswa tingkat akhir berbasis data psikometrik. Dataset dikumpulkan melalui kuesioner daring terhadap 394 responden mahasiswa aktif minimal semester tujuh yang sedang menyelesaikan skripsi, menggunakan instrumen Academic Procrastination Scale-Short Form (APS-S), Emotion Regulation Questionnaire (ERQ), dan Perceived Stress Scale-10 (PSS-10). Model diuji pada dua skenario pembagian data, yaitu 70:30 dan 80:20. Tahap pra-pemrosesan meliputi pemisahan fitur dan target, normalisasi data, serta penanganan ketidakseimbangan kelas menggunakan SMOTE-NC pada data latih. Model LightGBM dioptimalkan menggunakan GridSearchCV dengan F1-score macro sebagai acuan pemilihan model terbaik. Hasil pengujian menunjukkan bahwa skenario 70:30 memperoleh performa terbaik dengan accuracy 0,9075, precision macro 0,9066, recall macro 0,8950, dan F1-score macro 0,8983. Berdasarkan classification report dan confusion matrix, model lebih baik dalam mengklasifikasikan kelas rendah dan tinggi, sedangkan kelas sedang masih menjadi kelas yang paling sulit dikenali. Hasil ini menunjukkan bahwa LightGBM dapat diandalkan sebagai pendekatan berbasis data untuk mengidentifikasi tingkat prokrastinasi akademik dari respons instrumen psikometrik, sekaligus membuka peluang pengembangan lebih lanjut pada karakteristik dataset dan fitur psikometrik yang lebih beragam.
Downloads
References
Al Hakim, A., Muttaqin, F., & Maulana, H. (2026). Klasifikasi Kendaraan Bermotor Berdasarkan Jumlah Gandar Menggunakan Adaptive Minimal Ensemble. Jurnal Computer Science and Information Technology (CoSciTech), 7(1), 58–64. https://doi.org/10.37859/coscitech.v7i1.11239
Arwina, A., Fadilah, R., & Murad, A. (2022). Hubungan Regulasi Diri dan Stres Akademik dengan Prokrastinasi Akademik pada Mahasiswa Fakultas Psikologi Universitas Medan Area. Journal of Education, Humaniora and Social Sciences (JEHSS), 4(4), 1981–1991. https://doi.org/10.34007/jehss.v4i4.988
Astri Tarigan, B., Karuna Salim, A., Tanary, C., Arsandi, E., Elvinawanty, R., & Afni Safarina, N. (2024). Prokrastinasi Akademik Ditinjau dari Self Regulated Learning dan Dukungan Sosial pada Mahasiswa. Jurnal Penelitian Pendidikan, Psikologi Dan Kesehatan (J-P3K), 5(1), 203–210. https://doi.org/10.51849/j-p3k.v5i1.295
Bolikulov, F., Nasimov, R., Rashidov, A., Akhmedov, F., & Cho, Y. I. (2024). Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms. Mathematics, 12(16). https://doi.org/10.3390/math12162553
Brahma, B., & Saikia, P. (2023). Influence of self-regulated learning on the academic procrastination of college students. Journal of Education and Health Promotion, 12(1), 182. https://doi.org/10.4103/jehp.jehp_1106_22
Pardede, E. E., Anggraeny, F. T., & Junaidi, A. (2025). Prophet-LightGBM Hybrid Model Implementation in Cafe Menu Sales Prediction. Jati Emas (Jurnal Aplikasi Teknik Dan Pengabdian Masyarakat), 9(4).
Fijannati, S. P. (2024). Motivasi Belajar, Self Efficacy dan Prokrastinasi Akademik pada Mahasiswa Tingkat Akhir yang Sedang Mengerjakan Skripsi Kata kunci. JIIP (Jurnal Ilmiah Ilmu Pendidikan), 7(4), 3918–3923. https://doi.org/https://doi.org/10.54371/jiip.v7i4.4271
Florek, P., & Zagdański, A. (2023). Benchmarking state-of-the-art gradient boosting algorithms for classification. 2023 International Conference on Business Analytics for Technology and Security (ICBATS). http://arxiv.org/abs/2305.17094
Hakim, A. R., Mora, L., Leometa, C. H., & Dimala, C. P. (2024). Psychometric Properties Of The Perceived Stress Scale (PSS-10) In Indonesian Version. Jurnal Pengukuran Psikologi Dan Pendidikan Indonesia, 13(2), 117–129. https://doi.org/10.15408/jp3i.v13i2.35482
Husain, A. R., Wantu, T., & Pautina, M. R. (2023). Perilaku Prokrastinasi Akademik dan Faktor Penyebabnya pada Mahasiswa. Student Journal of Guidance and Counseling, 2(2), 145–157.
Islahulhaq, Wibowo, W., & Ratih, I. D. (2021). Classification of non-performing financing using logistic regression and synthetic minority over-sampling technique-nominal continuous (SMOTE-NC). International Journal of Advances in Soft Computing and Its Applications, 13(3), 115–128. https://doi.org/10.15849/ijasca.211128.09
Junita Sari, W., & Ulfa, F. (2025). Enhancing Student Performance Classification Through Dimensionality Reduction and Feature Selection in Machine Learning. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 8(3), 717–727. https://doi.org/10.24014/ijaidm.v8i3.37783
Khaidar, A. (2025). Single Tuition Fee Classification Using Light Gradient Boosting Machine with Confusion Matrix Analysis. Journal of Artificial Intelligence and Software Engineering, 5(4), 1444–1454. https://doi.org/10.30811/jaise.v5i4.8479
Kumar, M., & Bhardwaj, V. (2025). Evaluating Label Encoding and Preprocessing Techniques for Breast Cancer Prediction Using Machine Learning Algorithms. International Journal of Computational Intelligence Systems, 18(1). https://doi.org/10.1007/s44196-025-00957-7
Mazdadi, M. I., Saragih, T. H., Budiman, I., & Anshory, M. N. (2026). PENINGKATAN AKURASI MODEL BOOSTING PADA PREDIKSI KESEHATAN TIDUR MENGGUNAKAN OPTUNA. JIP (Jurnal Informatika Polinema), 12(2). https://doi.org/https://doi.org/10.33795/jip.v12i2.8878
Muhammady, D. N., Nugraha, H. A. E., Nastiti, V. R. S., & Aditya, C. S. K. (2024). Students Final Academic Score Prediction Using Boosting Regression Algorithms. Jurnal Ilmiah Teknik Elektro Komputer Dan Informatika, 10(1), 154. https://doi.org/10.26555/jiteki.v10i1.28352
Nailendra, S. Y., Witanti, W., & Abdillah, G. (2025). Optimasi Prediksi Penjualan Retail Online Menggunakan LightGBM dan Hyperparameter Tuning. Jurnal Algoritma, 22(2). https://doi.org/10.33364/algoritma/v.22-2.2551
Nkurunziza, J.-P., & Becker, L. (2026). LightGBM Classification of Academic Procrastination Risk Among Adolescents Based on Executive Function, Motivation, Smartphone Use, and Learning Strategy Variables. Journal of Adolescent and Youth Psychological Studies, 7(6), 1–12. https://doi.org/10.61838/kman.jayps.5445
Radde, H. A., Nurrahmah, N., Nurhikmah, N., & Saudi, A. N. A. (2021). Uji Validitas Konstrak dari Emotion Regulation Questionnaire Versi Bahasa Indonesia dengan Menggunakan Confirmatory Factor Analysis. Jurnal Psikologi Karakter, 1(2), 152–160. https://doi.org/10.56326/jpk.v1i2.1284
Rasyid, A. F., Putra, A., Wangsya, D., Aryanti, D., & Putri, D. (2023). Indonesian Adaptation of Academic Procrastination-Short Form (APS-S): Validity and Reliability. Gadjah Mada Journal of Professional Psychology (GamaJPP), 9(1), 25–34. https://doi.org/10.22146/gamajpp.76717
Saranga, R., Pangemanan, D. H. C., & Tompodung, L. M. (2025). Hubungan Prokrastinasi Akademik dengan Indeks Prestasi Kumulatif (IPK) Pada Mahasiswa Angkatan 2023 Program Studi Pendidikan Dokter Fakultas Kedokteran Universitas Sam Ratulangi. Medical Scope Journal, 8(1), 24–30. https://doi.org/10.35790/msj.v8i1.61338
Septiana Rizky, P., Haiban Hirzi, R., & Hidayaturrohman, U. (2022). Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang. J Statistika, 15(2), 228–236. https://doi.org/https://doi.org/10.36456/jstat.vol15.no2.a5548
Yuvita, S., Hestari, S. E., Prasetia, H. B., & Hadid, A. (2024). HUBUNGAN STRES AKADEMIK DENGAN PROKRASTINASI MAHASISWA TINGKAT AKHIR PSIKOLOGI UNP. CAUSALITA : Journal of Psychology, 2(1), 135–140. https://doi.org/10.62260/causalita.v2i1.191
Zou, F., Wang, W., Cai, Q., Guo, F., & Shi, R. (2023). Dynamic Generation Method of Highway ETC Gantry Topology Based on LightGBM. Mathematics, 11(15). https://doi.org/10.3390/math11153413
