Penanganan Data Tidak Seimbang pada Pemodelan Rotation Forest Keberhasilan Studi Mahasiswa Program Magister IPB.

Abstract

Sekolah Pascasarjana Institut Pertanian Bogor (SPs-IPB) menyatakan bahwa tidak semua mahasiswa program magister IPB berhasil menyelesaikan studinya. Hal ini menjadi evaluasi untuk IPB agar lebih memperhatikan mahasiswa yang berisiko tidak lulus ke depannya. Penelitian ini bertujuan untuk mendapatkan model prediksi keberhasilan studi mahasiswa program magister IPB terbaik. Metode klasifikasi yang digunakan yaitu rotation forest. Persentase banyaknya mahasiswa yang lulus sangat besar dibandingkan yang tidak lulus, hal ini dapat menyebabkan nilai evaluasi berbeda. SMOTE (Synthetic Minority Oversampling Technique) merupakan salah satu metode untuk menangani data tidak seimbang tersebut dengan cara membangkitkan data buatan. Kurva ROC (Receiver Operating Characteristic) dibangun untuk melihat nilai cut off terbaik. Ada dua model klasifikasi, yaitu model rotation forest sebelum dan setelah ditangani dengan SMOTE. Hasil perbandingan menunjukkan bahwa model rotation forest setelah SMOTE dengan nilai cut off 0.6 adalah model terbaik. Model ini mampu meningkatkan nilai sensitivitas lebih dari 50% walaupun nilai akurasi dan spesifisitasnya menurun dibandingkan dengan pemodelan sebelum SMOTE.