Pemodelan Support Vector Machine Data Berkategori Tidak Seimbang beserta Penanganannya dengan SMOTE (Studi Kasus: Keberhasilan Studi Mahasiswa Program Magister IPB Tahun 2011 sampai 2015).

Abstract

Dalam upaya mempertahankan reputasi Sekolah Pascasarjana Institut Pertanian Bogor (SPs-IPB), perlu diterapkan sistem penerimaan mahasiswa baru pada program magister dengan lebih selektif. Penelitian ini bertujuan untuk memodelkan kategori status kelulusan mahasiswa SPs-IPB berdasarkan karakteristik dan latar belakang pendidikan mahasiswa. Pada data tersebut, ditelusuri bahwa banyaknya mahasiswa dengan kategori tidak lulus (10.97%) jauh lebih sedikit dibandingkan banyaknya mahasiswa dengan kategori lulus (89.03%). Hal ini menunjukkan bahwa terdapat ketidakseimbangan kategori pada data. Pemodelan Support Vector Machine (SVM) menggunakan SVM linier, polinomial, dan radial basis function (RBF) belum mampu memprediksi kategori minoritas, yaitu mahasiswa yang berpotensi tidak lulus ditunjukkan dengan nilai sensitivitas 0.00%. Oleh karena itu, penelitian ini menerapkan metode Sythetic Minority Oversampling Technique (SMOTE) dalam rangka menangani ketidakseimbangan kategori pada data, yang selanjutnya diterapkan juga ketika menggunakan nilai cut off terbaik dari setiap jenis SVM. Berdasarkan evalusi yang dilakukan, model SVM RBF dengan cut off 0.6 mampu memprediksi mahasiswa pada kategori minoritas ditunjukkan dengan nilai sensitivitas yang mencapai 54.14%.