Penerapan SMOTE pada Regresi Logistik Ordinal untuk Klasifikasi Waktu Kelulusan Mahasiswa Statistika

Abstract

Jumlah mahasiswa Statistika IPB yang waktu kelulusannya melebihi 8 semester pada angkatan 2014 mengalami penurunan pada angkatan 2015, namun hingga April 2020 masih terdapat mahasiswa angkatan 2014 dan 2015 yang belum lulus. Oleh karena itu, perlu dilakukan penelitian untuk mengetahui faktor yang memengaruhi perbedaan waktu kelulusan tersebut menggunakan regresi logistik ordinal. Terdapat ketidakseimbangan data pada ketiga kategori peubah respon sehingga diterapkan Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan tersebut. Penelitian ini juga dilakukan untuk membuat model regresi logistik ordinal dengan SMOTE dan tanpa SMOTE. Hasil penelitian menunjukkan bahwa regresi logistik ordinal dengan SMOTE merupakan model yang lebih baik dibandingkan tanpa SMOTE karena memiliki nilai R2 Nagelkerke, ketepatan klasifikasi, dan nilai MAUC yang lebih besar. Nilai R2 Nagelkerke yang dihasilkan sebesar 42.39%, ketepataan klasifikasi secara keseluruhan sebesar 59.70%, dan nilai MAUC sebesar 0.7554. Peubah-peubah penjelas yang berpengaruh terhadap waktu kelulusan mahasiswa Departemen Statistika IPB angkatan 2013 sampai 2015 yakni jenis kelamin, beasiswa, minor, riwayat penyakit berat, permasalahan pribadi, dan IPK semester 6.

Sum of Statistics IPB students whose graduation time exceeds 8 semesters in the 2014 class has decreased in the 2015 class, however until April 2020 there were still students of 2014 and 2015 class who had not graduated. Therefore, it is necessary to conduct research to determine the factors that influence the difference in graduation time using ordinal logistic regression. There is an imbalance of data in the three categories of response variables so that the Synthetic Minority Oversampling Technique (SMOTE) is applied to overcome this imbalance. This research was also conducted to create an ordinal logistic regression model with SMOTE and without SMOTE. The results showed that ordinal logistic regression with SMOTE is a better model than without SMOTE because it has a greater value of R2 Nagelkerke, classification accuracy, and value of MAUC. The value of R2 Nagelkerke is 42.39%, the overall classification accuracy is 59.70%, and the value of MAUC is 0.7554. The explanatory variables that affect the graduation time of the 2013-2015 Statistics IPB students are gender, scholarship, minor, history of serious illness, personal problems, and 6th semester GPA.