Identifikasi Peubah-peubah Seleksi yang Memengaruhi Prestasi Mahasiswa Sarjana Angkatan 2023 IPB University Menggunakan Extra-Trees

Abstract

Transisi Seleksi Nasional Berbasis Prestasi (SNBP) oleh Kementerian Pendidikan dan Kebudayaan memicu penyesuaian internal di IPB University. Indeks Prestasi Kumulatif (IPK) merupakan metrik untuk mengukur prestasi mahasiswa. IPK dapat dipengaruhi oleh faktor multidimensional seperti aspek akademik dan latar belakang mahasiswa yang pada umumnya jenis datanya campuran antara kategorik dan numerik. Peubah-peubah seleksi SNBP yang jenis datanya campuran diduga memengaruhi IPK mahasiswa. Data IPK mahasiswa pada umumnya merupakan data tidak seimbang. Supervised machine learning seperti Extra-Trees memiliki kemampuan untuk mengklasifikasikan berbagai jenis data, salah satunya data seleksi SNBP tersebut. Penelitian ini bertujuan untuk mengidentifikasi peubah-peubah yang memengaruhi IPK mahasiswa di IPB University berdasarkan peubah-peubah seleksi SNBP 2023 menggunakan Extra- Trees. Data dibagi menjadi empat kelas IPK kemudian dipartisi menjadi data uji dan data latih dengan empat skema berbeda. Setiap data latih diseimbangkan dengan ADASYN dan tidak diseimbangkan, sehingga menghasilkan delapan set data. Model Extra-Trees dibangun dengan data latih menggunakan GridSearchCV untuk menentukan kombinasi hyperparameter terbaik. Model Extra-Trees pada data uji secara konsisten memiliki kinerja yang baik dalam memprediksi IPK mahasiswa dengan akurasi tertinggi mencapai 68,62% pada model tanpa proses ADASYN dengan skema partisi 70% data latih dan 30% data uji. Interpretasi Shapley Additive exPlanation (SHAP) pada model terbaik menunjukkan bahwa peubah paling berpengaruh terhadap IPK adalah program studi pilihan pertama mahasiswa saat mendaftar SNBP. Selain itu, prestasi, asal daerah, dan nilai mahasiswa semasa SMA juga termasuk peubah-peubah yang berpengaruh terhadap IPK.

Transition to the Achievement-Based National Selection by the Ministry of Education and Culture has prompted internal adjustments at IPB University. Grade Point Average (GPA), a key metric for assessing student achievement, can be influenced by multidimensional factors, including academic aspects and student background, which encompass both categorical and numerical data types. It is hypothesized that SNBP selection variables, characterized by mixed data types, impact student GPA. Notably, student GPA data tends to be unbalanced. Supervised machine learning algorithms, such as Extra-Trees, are proficient in classifying diverse data types, including SNBP selection data. This study aims to identify variables influencing student GPA at IPB University based on the 2023 SNBP selection variables using the Extra-Trees algorithm. The data were categorized into four GPA classes and partitioned into training and test sets using four distinct schemes. Each training dataset was balanced using ADASYN and left unbalanced, resulting in eight distinct datasets. The Extra-Trees models were constructed using GridSearchCV to optimize hyperparameter combinations. The Extra-Trees model consistently demonstrated robust performance in predicting student GPA on the test data, achieving the highest accuracy of 68.62% in the model without the ADASYN process under a partition scheme of 70% training data and 30% test data. Shapley Additive exPlanation (SHAP) analysis of the best model revealed that the most influential variable on GPA was the student's first-choice study program during SNBP registration. Additionally, academic achievements, regional origin, and high school grades were identified as significant variables influencing GPA.