dc.description.abstract | Sekolah Pascasarjana Institut Pertanian Bogor (SPs IPB) didirikan tahun
1975 dengan tujuh program studi. Saat ini, SPs IPB memiliki 67 program studi
magister dan 43 program studi doktoral. SPs IPB berusaha semaksimal mungkin
untuk meningkatkan kualitas baik dari segi mutu proses penyelenggaraan
pembelajaran maupun mutu lulusan. Mutu lulusan dapat dilihat dari tingkat
persentase kelulusan mahasiswa yaitu persentase dari jumlah mahasiswa lulus
dibagi dengan jumlah total mahasiswa pascasarjana untuk setiap angkatan.
Asumsikan mahasiswa drop out mempengaruhi nilai mutu lulusan, semakin
banyak mahasiswa drop out maka nilai mutu lulusan menjadi semakin buruk.
Penelitian ini bertujuan untuk membantu SPs IPB mendeteksi mahasiswa
yang berisiko drop out dengan membangun sebuah model yang dibangkitkan
dengan algoritme pohon klasifikasi. Pohon klasifikasi adalah gambaran
pemodelan dari suatu persoalan yang terdiri dari serangkaian keputusan yang
mengarah kepada solusi dengan peubah responnya kategorik.
Mahasiswa lulus jauh lebih banyak dibandingkan mahasiswa drop out, hal
ini dikenal dengan kelas tidak seimbang. Kelas mahasiswa drop out dengan
jumlah contoh yang jauh lebih sedikit disebut kelas minoritas atau positif,
sedangkan kelas lulus disebut kelas mayoritas atau negatif. Pemodelan
menggunakan pohon klasifikasi klasik akan menghasilkan model yang
keputusannya condong kepada kelas mayoritas, sedangkan kelas minoritas
dianggap sebagai noise. RUSBoost dan UnderBagging merupakan algoritme yang
dapat digunakan untuk mengatasi masalah kelas tidak seimbang. RUSBoost
merupakan kombinasi dari penarikan contoh acak undersampling dengan
ensamble boosting, sedangkan UnderBagging adalah kombinasi dari penarikan
contoh acak undersampling dengan ensamble bagging.
Dari hasil analisis, algoritme RUSBoost dan UnderBagging terbukti dapat
memberikan performa yang lebih baik secara signifikan dibandingkan pohon
klasifikasi klasik. RUSBoost dan UnderBagging menghasilkan pembagi yang
lebih baik antara mahasiswa drop out dan mahasiswa lulus yang ditunjukkan dari
Area Under ROC yang lebih luas. RUSBoost dan UnderBagging lebih
sensitif/peka dalam memprediksi mahasiswa bersiko drop out. Sementara jika
menggunakan pohon klasifikasi klasik, maka diperoleh model klasifikasi dengan
nilai akurasi tinggi namun tidak sensitif terhadap objek pada kelas drop out. Hasil
dari pengklasifikasian data mahasiswa SPs IPB tahun 2008-2010 menggunakan
algoritme RUSBoost dan UnderBagging diperoleh bahwa faktor yang
mempengaruhi status mahasiswa drop out dan mahasiswa lulus adalah beasiswa
dan IPK S1. | id |