Model Klasifikasi Pada Seleksi Mahasiswa Baru Penerima KIP Kuliah Menggunakan Regresi Logistik Biner

  • Ronny Susetyoko Politeknik Elektronika Negeri Surabaya
  • Wiratmoko Yuwono Politeknik Elektronika Negeri Surabaya
  • Elly Purwantini Politeknik Elektronika Negeri Surabaya

Abstract

Seleksi mahasiswa baru penerima Kartu Indonesia Pintar Kuliah (KIP Kuliah) dilakukan oleh setiap institusi untuk memilih mahasiswa yang benar-benar memiliki potensi akademik yang baik dan keterbatasan ekonomi. Pada penelitian ini menggunakan regresi logistik biner sebagai model klasifikasi. Data hasil preprocessing dibagi menjadi data training dan data testing. Beberapa model regresi logistik dibandingkan kinerjanya, baik yang menggunakan data asli, data hasil normalisasi, data undersampling, data oversampling, serta data hasil kombinasi oversampling dan undersampling. Evaluasi model berdasarkan signifikansi parameter di dalam model dan kinerja klasifikasi dari matriks konfusi. Dari perbandingkan tujuh model regresi logistik, model yang terbaik adalah model yang menggunakan data asli dengan rerata F1 Score 92,40%, rerata recall sebesar 87,93%, accuracy sebesar 88,01%, precision sebesar 97,92%, dan AUC sebesar 84,6%.

Downloads

Download data is not yet available.

References

Pusat Layanan Pembiayaan Pendidikan Kementerian Pendidikan dan Kebudayaan Republik Indonesia (2021), Pedoman Pendaftaran Kartu Indonesia
Pintar Kuliah (KIP Kuliah), https://kip-kuliah.kemdikbud.go.id/uploads/ eKt8EqCwiFPOj5SxT3vDNI6L2Ho1m4_tgl20210208212008.pdf
Khoirunissa, H.A., Widyaningrum, A.R., and Maharani, A.P.A. (2021): Comparison of Random Forest, Logistic Regression, and Multilayer Perceptron
Methods on Classification of Bank Customer Account Closure, Indonesian Journal of Applied Statistics, Volume 4 No. 1.
Sovia, R, Mandala. E.P.W., dan Mardhiah, S. (2020): Algoritma K-Means dalam Pemilihan Siswa Berprestasi dan Metode SAW untuk Prediksi Penerima
Beasiswa Berprestasi, Jurnal Edukasi dan Penelitian Informatika, Vol. 6 No. 2.
Sutoyo, E., Fadlurrahman, M.A. (2020): Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance
Rating Menggunakan Artificial Neural Network, Jurnal Edukasi dan Penelitian Informatika, Vol. 6 No. 3.
Triyanto, A.Y., dan Kusumaningrum, R. (2017): Implementasi Teknik Sampling untuk Mengatasi Imbalanced Data pada Penentuan Status Gizi Balita
dengan Menggunakan Learning Vector, IPTEK-KOM, Vol. 19 No.12, Juni 2017: 39-50.
Salamah, U., Ramayanti, D. (2018): Implementation of Logistic Regression Algorithm for Complaint Text Classification in Indonesian Ministry of Marine
and Fisheries, International Journal of Computer Techniques -– Volume 5 Issue 5.
Widodo, A., Handoyo, S. (2017): The classification performance using logistic regression and support vector machine (SVM), Journal of Theoretical and
Applied Information Technology, Vol. 95.
Faruk, A., Cahyono, E.S., Eliyati, N., Arifieni, I. (2018): Prediction and Classification of Low Birth Weight Data Using Machine Learning Techniques,
Indonesian Journal of Science & Technology, Volume 3 Issue 1.
El-Amir, S., El Fiqi, H. (2019): Classification Imbalanced Data Sets: A Survey, International Journal of Computer Applications (0975 – 8887), Volume 177 –
No. 23.
Yadav, S.S., Bhole, G.P. (2020): Learning from Imbalanced Data in Classification, International Journal of Recent Technology and Engineering (IJRTE),
ISSN: 2277-3878, Volume-8 Issue-5.
Hosmer, D.W. and Lemeshow, S. (2000): Applied Logistic Regression Second Edition. John Wiley & Sons, Inc: USA.
Agresti, A. (2002): Categorical Data Analysis Second Edition. Jhon Wiley & Sons, Inc: USA.
Liu, B. (2011): Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Second Edition, New York: Spinger.
Hastie, T., Tibshirani, R. and Friedman, J. H. (2009): The Elements of Statistical Learning: Data Mining, Inference and Prediction Second Edition. New
York: Springer. Science Bussines Media.
Cichosz, P. (2014), Data Mining Algorithms: Explained Using R, Chichester: John Wiley & Sons.
Tripathy, A., Agrawal, A., Rath, S.K. (2016): Classification of Sentiment Reviews using N-Gram Machine Learning. Expert Systems With
Applications.
How to Cite
[1]
R. Susetyoko, Wiratmoko Yuwono, and Elly Purwantini, “Model Klasifikasi Pada Seleksi Mahasiswa Baru Penerima KIP Kuliah Menggunakan Regresi Logistik Biner”, JIP, vol. 8, no. 4, pp. 31-40, Aug. 2022.