Klasifikasi Sekolah dalam Penerimaan Mahasiswa Baru Vokasi IPB Jalur USMI Menggunakan Metode CART

Abstract

Seleksi penerimaan mahasiswa baru sekolah vokasi IPB terdiri dari beberapa jalur, salah satunya adalah jalur USMI. Dalam rangka meningkatkan performanya, perlu dilakukan evaluasi dalam penerimaan mahasiswa baru jalur USMI tersebut. Sebelumnya telah dilakukan penelitian dengan tujuan yang sama menggunakan metode clustering. Penelitian tersebut menghasilkan tiga gerombol dimana sekolah sekolah dibedakan berdasarkan komitmen dan kualitas. Tujuan penelitian ini adalah membuat model klasifikasi dari gerombol yang diperoleh menggunakan metode CART. Metode Classification and Regression Tree (CART) merupakan teknik klasifikasi nonparametrik yang menghasilkan pohon keputusan tunggal. Metode CART dapat melibatkan data yang bertipe campuran. Model klasifikasi yang dihasilkan dari data tahun 2019 menghasilkan akurasi sebesar 98,52%. Namun, hasil evaluasi model 2019 pada data tahun 2020 masih belum cukup bagus dalam memprediksi dengan akurasi sebesar 57,22%, sehingga dilakukan penggerombolan ulang pada data tahun 2020 dan dihasilkan tiga gerombol. Selanjutnya, dibuat ulang model klasifikasi dengan data tahun 2020 dan menghasilkan akurasi sebesar 97,47%. Namun, hasil evaluasi model 2020 pada data tahun 2021 masih belum cukup bagus dalam memprediksi dengan akurasi sebesar 44,34%, sehingga penggerombolan pada tahun sebelumnya belum bisa digunakan untuk prediksi pada data tahun setelahnya. Hal ini dikarenakan populasi sekolah berubah setiap tahun. Pengelompokkan sekolah pelamar USMI perlu dilakukan dengan penggerombolan sekolah setiap tahun berjalan.

The selection of new student admissions for the IPB vocational school consists of several routes, one of which is the USMI route. In order to improve its performance, it is necessary to evaluate the USMI new student admission system. Previously, research with the same objective had been carried out using the clustering method. The study resulted in three clusters in which schools were differentiated based on the commitment and quality of the schools. This study aims to create a classification model of the clusters obtained using the CART method. Classification and Regression Tree (CART) is a nonparametric classification technique that produces a single decision tree. The CART method can involve mixed-type data. The classification model generated from the 2019 data yields an accuracy of 98.52%. However, the results of the 2019 model evaluation with the 2020 data are still not good enough to predict with an accuracy of 57.22%, so the 2020 data is re-clustered and produces three clusters. Furthermore, the classification model was remade with 2020 data, resulting in an accuracy of 97.47%. However, the results of the 2020 model evaluation with the 2021 data are still not good enough to predict with an accuracy of 44.34%, so the clustering in the previous year cannot be used for predictions of the following year's data. The grouping of schools for USMI applicants needs to be done by grouping schools every year.