PENERAPAN ALGORITMA GRADIENT BOOSTING UNTUK PREDIKSI RISIKO KETERLAMBATAN PEMBAYARAN SISWA DIGIKIDZ SOLO MENGGUNAKAN METODE CRISP-DM

Keterlambatan pembayaran biaya pendidikan dapat memengaruhi kelancaran pengelolaan keuangan dan meningkatkan beban administrasi lembaga pendidikan. Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) dengan kerangka kerja CRISP-DM untuk memprediksi status keterlambatan pembayaran siswa Digikidz Solo. Dataset yang digunakan terdiri atas 1.000 transaksi pembayaran dengan 14 atribut. Tahap persiapan data mencakup pembersihan data, seleksi fitur untuk mencegah data leakage, transformasi atribut kategorikal menggunakan One-Hot Encoding, serta pembagian dataset menjadi 80% data training dan 20% data testing. Model dibangun menggunakan XGBClassifier dengan parameter n_estimators=100, learning_rate=0,05, dan max_depth=3. Hasil pengujian menunjukkan accuracy sebesar 71,5%, precision sebesar 65,2%, recall sebesar 59,5%, F1-score sebesar 62,3%, dan Area Under Curve (AUC) sebesar 0,801. Hasil tersebut menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam membedakan pembayaran terlambat dan tidak terlambat. Model yang dihasilkan diharapkan dapat membantu pihak Digikidz Solo melakukan deteksi dini dan menentukan tindak lanjut pembayaran secara lebih terarah.