Prediksi Prestasi Mahasiswa Program Sarjana FMIPA IPB University Angkatan 57 Menggunakan Regresi Logistik Biner Multilevel

Abstract

Sebagai salah satu perguruan tinggi terkemuka di Indonesia, IPB University berupaya untuk menghasilkan tenaga kerja yang berkualitas dan dievaluasi melalui program Indikator Kinerja Utama Perguruan Tinggi Negeri (IKU-PTN). Salah satu program IKU-PTN adalah capaian prestasi mahasiswa. Dengan menggunakan metode statistik yang tepat, dapat diprediksi mahasiswa yang berprestasi sehingga bermanfaat untuk mengidentifikasi dan memaksimalkan potensi mahasiswa. Penelitian ini dilakukan dengan metode regresi logistik biner multilevel. Regresi logistik biner dipilih karena peubah respons yang digunakan bersifat biner. Kemudian, regresi multilevel digunakan karena data bersifat hierarkis dengan dua level, yaitu level mahasiswa dan level program studi. Tujuan penelitian ini adalah menentukan model untuk memprediksi mahasiswa berprestasi di FMIPA IPB University angkatan 57. Hasil penelitian menunjukkan bahwa model regresi logistik biner multilevel (intersep acak) menggunakan peubah penjelas IPK semester dua, jenis kelamin, dan beasiswa, serta efek acak program studi memiliki akurasi berimbang pada data uji sebesar 75,25%, sensitivitas sebesar 83,33%, spesifisitas sebesar 67,16%, dan skor F1 sebesar 79,65%.

As one of the best universities in Indonesia, IPB University is committed to produce high-quality workforce through the implementation of the Main Performance Indicator for State Universities (IKU-PTN) program. One of the implementations of the IKU-PTN program is based on student achievement. By using appropriate statistical methods, student achievement can be predicted, which is useful for identifying and maximizing student’s potential. This research was conducted using multilevel binary logistic regression method. Binary logistic regression was used because the response variable is binary. Multilevel regression was used due to the hierarchical nature of the data, which consists of two levels: the student level and the study program level. The objective of this research is to determine a model for predicting outstanding students in the Faculty of Mathematics and Natural Sciences (FMIPA) at IPB University 57. The results showed that the multilevel binary logistic regression model (random intercept) using the explanatory variables of second semester GPA, gender, and scholarship, along with the random effect of the study program had a balanced accuracy on the test data of 75.25%, a sensitivity of 83.33%, a specificity of 67.16%, and an F1 score of 79.65%.