Identifikasi Peubah Penting dalam Klasifikasi Indeks Prestasi Mahasiswa SNBP IPB University Angkatan 2024 Menggunakan XGBoost

Abstract

Perguruan tinggi memegang kunci dalam menghasilkan sumber daya manusia yang berkualifikasi tinggi. Untuk mendukung hal tersebut, pemerintah menyediakan beberapa jalur masuk ke perguruan tinggi, salah satunya SNBP (Seleksi Nasional Berdasarkan Prestasi). SNBP membuka kesempatan untuk para siswa yang berprestasi di bangku sekolah untuk melanjutkan pendidikan ke jenjang lebih tinggi. Di perguruan tinggi, Indeks Prestasi (IP) menjadi indikator utama dalam mengukur keberhasilan akademik mahasiswa. Untuk memahami faktor-faktor yang memengaruhi capaian IP mahasiswa SNBP IPB University, studi ini menerapkan metode klasifikasi XGBoost. Salah satu keunggulan XGBoost adalah mampu mengidentifikasi peubah penting yang berpengaruh terhadap hasil akademik. Data yang digunakan pada penelitian ini merupakan data IP mahasiswa jalur SNBP 2024 pada semester pertama yang ≥ 2,10 dengan 14 peubah penjelas. Data yang digunakan tidak seimbang, sehingga SMOTE diaplikasikan untuk menanaganinya. Selain itu, Fractional Factorial Design diterapkan untuk menentukan hyperparameter yang signifikan terhadap kinerja model XGBoost. Model terbaik yang dipilih adalah model klasifikasi 3 kelas tanpa penanganan ketidakseimbangan data dengan akurasi sebesar 63,85%. F1-score sebesar 59,64% menunjukkan bahwa model mampu mengklasifikasikan data lebih seimbang antara ketepatan prediksi dan kemampuan menangkap kelas yang relevan. Adapun peubah penting dalam klasifikasi IP adalah pilihan program studi mahasiswa, prestasi akademik, gaya belajar, dan program studi tempat mahasiswa diterima.

Universities hold a key in producing highly qualified human resources. To support that, the government provides one of the university entrances, SNBP (National Achievement-Based Selection). SNBP opens opportunities for students with achievement in high school to continue their education to a higher level. In University, Grade Point Average (GPA) is the main indicator for student success assessment. To analyze the factors that affect GPA of IPB University SNBP students, this study applied the XGBoost classification method. One of the advantages of XGBoost is it’s ability to identify features that have the most effect on GPA. The data used in this study is GPA of SNBP 2024 students in first semester which is ≥ 2,10 with 14 explanatory variables. The data used is imbalanced, so SMOTE is applied to handle it. In addition, Fractional Factorial Design is applied to determine hyperparameters that significant to the XGBoost model’s performance. The selected XGBoost model is a 3-class classification model without SMOTE with an accuracy level of 63,85%. F1-score level of 59,64% indicates that this model can classify data more balanced between prediction exactness and the ability to capture relevant classes. The important features in GPA’s classification were the first-choice study program, academic achievement, learning style, and study program where student was accepted.