Pemodelan Support Vector Machine Data Berkategori Tidak Seimbang beserta Penanganannya dengan SMOTE (Studi Kasus: Keberhasilan Studi Mahasiswa Program Magister IPB Tahun 2011 sampai 2015).
View/ Open
Date
2018Author
Amelia, Octavia Dwi
Soleh, Agus Mohamad
Rahardiantoro, Septian
Metadata
Show full item recordAbstract
Dalam upaya mempertahankan reputasi Sekolah Pascasarjana Institut
Pertanian Bogor (SPs-IPB), perlu diterapkan sistem penerimaan mahasiswa baru
pada program magister dengan lebih selektif. Penelitian ini bertujuan untuk
memodelkan kategori status kelulusan mahasiswa SPs-IPB berdasarkan
karakteristik dan latar belakang pendidikan mahasiswa. Pada data tersebut,
ditelusuri bahwa banyaknya mahasiswa dengan kategori tidak lulus (10.97%) jauh
lebih sedikit dibandingkan banyaknya mahasiswa dengan kategori lulus (89.03%).
Hal ini menunjukkan bahwa terdapat ketidakseimbangan kategori pada data.
Pemodelan Support Vector Machine (SVM) menggunakan SVM linier, polinomial,
dan radial basis function (RBF) belum mampu memprediksi kategori minoritas,
yaitu mahasiswa yang berpotensi tidak lulus ditunjukkan dengan nilai sensitivitas
0.00%. Oleh karena itu, penelitian ini menerapkan metode Sythetic Minority
Oversampling Technique (SMOTE) dalam rangka menangani ketidakseimbangan
kategori pada data, yang selanjutnya diterapkan juga ketika menggunakan nilai cut
off terbaik dari setiap jenis SVM. Berdasarkan evalusi yang dilakukan, model SVM
RBF dengan cut off 0.6 mampu memprediksi mahasiswa pada kategori minoritas
ditunjukkan dengan nilai sensitivitas yang mencapai 54.14%.
Collections
- UT - Mathematics [1434]