Penerapan Teknik Binerisasi dan SMOTE pada Kasus Klasifikasi Tidak Seimbang (Studi kasus: Keberhasilan Studi Mahasiswa Pascasarjana Statistika IPB).

Abstract

Sekolah pascasarjana Institut Pertanian Bogor memiliki program magister statistika yang sudah terakreditasi A. Salah satu upaya untuk mempertahankan kualitas lulusan program magister statistika, yaitu dengan cara menerapkan sistem penerimaan mahasiswa baru yang selektif. Keberhasilan studi mahasiswa program magister dibedakan menjadi tiga kelas, yaitu lulus dengan predikat baik, cukup, dan tidak lulus. Terdapat ketidakseimbangan data pada ketiga kelas tersebut. Model OVO maupun OVA tidak mampu memprediksi kelas minoritas dengan baik namun model OVO+SMOTE dan OVA+SMOTE mampu meningkatkan nilai sensitivitas kelas minoritas. Model OVO+SMOTE merupakan model terbaik karena dapat menaikkan nilai sensitivitas kelas minoritas menjadi 33.24% untuk kelas lulus dengan predikat baik dan 40% untuk kelas yang tidak lulus. SMOTE juga mampu menaikkan nilai sensitivitas pada kasus klasifikasi dua kelas mengenai tingkat pemahaman dasar mahasiswa statistika. Penerapan SMOTE pada permodelan klasifikasi data pemahaman statistika menaikkan nilai rataan sensitivitas dari 7.25% menjadi 53.75% pada Program Studi Statistika dan dari 0.66% menjadi 38.33% pada Program Studi Statistika Terapan.