Metrik Evaluasi
Untuk menilai kinerja model prediksi dalam kompetisi ini, kami menggunakan Mean Absolute Error (MAE) sebagai metrik utama. MAE dipilih karena mampu mengukur seberapa besar rata-rata perbedaan absolut antara nilai prediksi dan nilai sebenarnya (ground truth). Metrik ini memberikan gambaran yang jelas mengenai seberapa akurat prediksi model secara keseluruhan, tanpa memberikan penalti berlebih pada kesalahan yang besar seperti pada RMSE.

Dengan kata lain, MAE membantu memastikan bahwa model tidak hanya baik dalam rata-rata prediksi, tetapi juga konsisten dalam meminimalkan selisih absolut antara nilai prediksi dan nilai sebenarnya. Hal ini penting dalam konteks nyata, seperti penentuan siswa yang berisiko tinggi untuk dropout, karena MAE memberikan penilaian yang lebih seimbang terhadap keseluruhan kesalahan tanpa terlalu dipengaruhi oleh outlier atau error yang ekstrem.

Mean Absolute Error (MAE)
MAE didefinisikan sebagai rata-rata dari nilai absolut selisih antara nilai sebenarnya dan nilai hasil prediksi, yang dapat dirumuskan dalam persamaan: