Penerapan Synthetic Minority Oversampling Technique (SMOTE) pada Pemodelan Regresi Logistik Biner terhadap Keberhasilan Studi (Studi Kasus: Mahasiswa Program Magister IPB).

Abstract

Sekolah Pascasarjana IPB memiliki standar akademik serta daya saing lulusan yang tinggi yang telah tersebar di dalam maupun di luar negeri. Pada penelitian ini metode Regresi Logistik Biner digunakan untuk mengetahui faktorfaktor yang mempengaruhi keberhasilan studi mahasiswa Pascasarjana Institut Pertanian Bogor (SPs-IPB). Data yang digunakan adalah data mahasiswa SPs-IPB yang lulus tahun 2011 hingga 2015. Peubah respon yang digunakan adalah status keberhasilan studi mahasiswa yaitu lulus dan tidak lulus dan menggunakan 9 peubah penjelas yaitu jenis kelamin, status menikah, status penerimaan saat masuk S2, status perguruan tinggi S1, sumber biaya pendidikan S2, kelompok instansi bekerja, kelompok program studi S2, usia masuk S2 dan IPK S1. Data yang diperoleh tidak seimbang dengan persentase mahasiswa yang lulus lebih besar dibandingkan yang tidak lulus, sehingga ketidakseimbangan data ditangani dengan SMOTE karena apabila tidak ditangani maka akan menyebabkan kesalahan klasifikasi. Perbandingan hasil klasifikasi dilihat pada data testing. Hasil pada model sebelum SMOTE memiliki luas dibawah kurva atau AUC sebesar 0.6760, nilai akurasi sebesar 88.77%, nilai sensitivitas sebesar 99.09% dan nilai spesifisitas sebesar 4.63%. Model setelah SMOTE dengan oversampling 600% memiliki nilai AUC sebesar 0.6642, nilai akurasi sebesar 78.36%, nilai sensitivitas sebesar 83.65%, dan nilai spesifisitas sebesar 35.18%. Meskipun akurasi model dan nilai sensitivitas sebelum SMOTE lebih tinggi daripada model setelah SMOTE namun spesifiitas pada model setelah SMOTE lebih tinggi yang berarti model setelah SMOTE sudah lebih baik dalam memprediksi kelas minoritas (tidak lulus).