Penerapan Synthetic Minority Oversampling Technique (SMOTE) Pada Pemodelan Regresi Logistik Biner Terhadap Prestasi Mahasiswa (Studi Kasus: Mahasiswa Program Sarjana Institut Pertanian Bogor).

Abstract

Indikator Kinerja Utama Perguruan Tinggi Negeri (IKU-PTN) adalah salah satu ukuran yang digunakan untuk melihat ketercapaian kinerja perguruan tinggi dalam meningkatkan kualitas pendidikannya. Prestasi mahasiswa merupakan salah satu indikator yang diukur pada IKU-PTN, sehingga penting untuk diperhatikan. Peubah-peubah yang memengaruhi prestasi mahasiswa Institut Pertanian Bogor (IPB) program sarjana pada penelitian ini akan diidentifikasi menggunakan regresi logistik biner karena mahasiswa tingkat sarjana IPB terdiri dari mahasiswa yang berprestasi dan tidak berprestasi. Perbedaan proporsi mahasiswa yang berprestasi dan tidak berprestasi menyebabkan data yang tidak seimbang sehingga menyebabkan klasifikasi cenderung ke kelas dengan proporsi amatan terbesar. Oleh karena itu, peran Synthetic Minority Oversampling Technique (SMOTE) dalam menangani ketidakseimbangan data akan dilihat pada penilitian ini. Data yang digunakan yaitu data demografi mahasiswa Program sarjana yang diperoleh dari Direktorat Administrasi dan Pendidikan (Dit-Ap) dan Data prestasi mahasiswa yang diperoleh dari Direktorat Kemahasiswaan dan Pengembangan Karir (Ditmawa) IPB. Hasil penelitain yang diperoleh menunjukkan model klasifikasi regresi logistik biner dengan SMOTE menghasilkan model yang lebih baik dibandingkan model tanpa SMOTE. Hal ini dapat terlihat berdasarkan nilai sensitivitas, spesitifitas dan akurasi yang diperoleh secara berturut-turut sebesar 53%, 71%, dan 70%, dimana nilai sensitivitas dengan SMOTE mengalami kenaikan yang signifikan jika dibandingkan model tanpa SMOTE dan ketepatan klasifikasi untuk masing-masing kategori juga menjadi lebih seimbang. Terdapat lima peubah penjelas yang berpengaruh terhadap prestasi mahasiswa program sarjana IPB pada taraf nyata 5% yaitu Tahun Masuk IPB, IPK terkahir, Jenis Kelamin, Fakultas dan SKS kumulatif.

Main Performance Indicators of State Universities (IKU-PTN) is one of the measurements used to see the achievement of higher education performance in improving the quality of its education. Student achievement is one of the indicators measured at IKU-PTN, so it is important to pay attention. Variables affecting undergraduate students’ achievement at the Bogor Agricultural University (IPB) program in this study will be identified using binary logistic regression because undergraduate students at IPB consist of students who achieve and do not achieve. The difference in the proportion of students who achieve and do not achieve results in unbalanced data, which causes the classification to tend to the class with the largest proportion of observations. Therefore, the role of the Synthetic Minority Oversampling Technique (SMOTE) in dealing with data damage will be seen in this research. The data used are demo data from undergraduate students obtained from the Directorate of Administration and Education (Dit-Ap) and student achievement data obtained from the Directorate of Student Affairs and Career Development (Ditmawa) IPB. The research results obtained show that the binary logistic regression classification model with SMOTE produces a better model than the model without SMOTE. This can be seen based on the sensitivity, specificity and accuracy obtained respectively by 53%, 71%, and 70%, where the sensitivity value with SMOTE has increased significantly when compared to the model without SMOTE and the classification accuracy for each category also become more balanced. There are five explanatory variables that influence the achievement of IPB undergraduate students at a significant level of 5%, namely Year of Entry of IPB, last GPA, Gender, Faculty, and cumulative credits.