ANALISIS PREDIKSI MAHASISWA MENGUNDURKAN DIRI DARI UNIVERSITAS XYZ DENGAN METODE SUPPORT VECTOR MACHINE

Brina Miftahurrohmah, Catur Wulandari

Abstract


Fenomena mahasiswa mengundurkan diri bukan hal yang asing lagi bagi Perguruan Tinggi swasta maupun negeri. Alasan mahasiswa mengundurkan diri pun sangat beragam, diantaranya merasa salah masuk jurusan, tidak mampu membayar uang kuliah, orang tua yang pindah tempat kerja dan lain-lain. Bahkan ada pula mahasiswa yang mengundurkan diri tanpa alasan yang jelas. Kasus pengunduran diri tersebut dapat mempengaruhi citra jurusan bahkan universitas yang bersangkutan. Universitas XYZ pun tidak luput dari kejadian tersebut. Salah satu cara untuk mengatasi hal tersebut adalah dengan melakukan prediksi mahasiswa yang mengundurkan diri dari Universitas XYZ. Dengan demikian, mahasiswa yang terindikasi berpotensi mengundurkan diri akan diberi pengarahan dan motivasi agar tetap melanjutkan kuliah. Prediksi dilakukan dengan metode Support Vector Machine (SVM) yang dianggap mampu melakukan analisis prediksi dengan baik. Implementasi metode imbalance sampling juga diterapkan untuk mengatasi kelas yang tidak seimbang antara mahasiswa yang mengundurkan diri dan tidak. Metode imbalance sampling tersebut adalah metode undersampling, oversampling dan gabungan dari kedua metode tersebut. Hasil analisis menunjukkan bahwa model yang dihasilkan dari implementasi metode SVM dengan kernel Radial Basis Function (RBF) dan undersampling mampu mampu melakukan prediksi dengan akurasi 84,47%, sensitivitas 79,67%, spesifisitas 84,80% dan AUC 82,23%.

Kata kunci: Pengunduran diri, Pemodelan, Support Vector Machine, Imbalance Sampling


Full Text:

PDF (Indonesian)

References


L. Kurnia, "Analisis Daya Tahan Mahasiswa dalam Melanjutkan Studi dengan Chi-Squared Automatatic Interaction Detection," Journal of Sainstek, vol. 14, no. 2, pp. 56-63, 2016.

L. Kurnia, Pemodelan Faktor yang Mempengaruhi Mahasiswa Berhenti Studi pada Jurusan Tadris Matematika STAIN Batusangkar. (Penelitian tidak dipublikasikan)., Batusangkar: P3N STAIN Batusangkar, 2013.

A. P. U. Sembiring and M. Ginting, "Analisis Faktor-Faktor Yang Mempengaruhi Pengunduran Diri Mahasiswa Dengan Aplikasi Data Mining Add-Ins – Studi Kasus Pada STMIK Mikroskil," | JSM STMIK Mikroskil, vol. 14, no. 2, pp. 139-146, 2013.

B. Santosa, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Yogyakarta: Graha Ilmu, 2007.

V. Vapnik, The Nature of Statistical Learning Theory, Verlag: Springer, 1995.

S. Haykin, Neural Network: A Comprehensive Foundation, New Jersey: Prentice Hall, 1999.

F. Zhang, Cross validation and Regression Analysis in Hight-Dimentional Sparse Linear Model. Dissertation, United States: Creative Commons, 2011.

N. Jaccard, T. W. Rogers, E. J. Morton and L. D. Grifin, "Detection of Concealed Cars in Complex Cargo X-ray Imagery using Deep Learning," Journal of X-Ray Science and Technology, vol. 25, no. 3, pp. 1-17, 2016.

K.-J. Wang, B. Makond, K.-H. Chen and K.-M. Wang, "Hybrid Classifier Combining Smote With Pso To Estimate 5-Year Survivability Of Breast Cancer Patients," Applied Soft Computing, vol. 20, no. 1, pp. 15-24,, 2014.

C. Drummond and R. C. Holte, "C4.5, Class Imbalance, and Cost Sensitivity: Why Under-Sampling beats Over-Sampling," in Workshop on Learning from Imbalanced Datasets II, ICML, Washington DC, 2003.

M. Buda, A. Maki and M. Mazurowski, "A Systematics Study of Class Imbalance Problem In Convolutional Neural Network," Neural Networks, vol. 106, no. 1, pp. 249-259, Oktober 2018.

N. Lunardon, G. Menardi and N. Torelli, "ROSE: A Package For Binary Imbalanced Learning," R Journal, vol. 6, no. 1, pp. 82-92, 2014.

T. B. Sasongko, "Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA)," Jurnal Teknik Informatika dan Sistem Informasi, vol. 2, no. 2, pp. 2443-2229, 2016.

F. Gorunescu, Data Mining: Concepts, Models, and Techniques, Verlag Berlin Heidelberg: Springer, 2011.




DOI: http://dx.doi.org/10.21107/nero.v4i3.136

Refbacks

  • There are currently no refbacks.