Pemodelan Pohon Keputusan Menggunakan Algoritma Xgboost Dan Smote Xgboost Dengan Preprocessing Dalam Memprediksi Mahasiswa
| Main Authors: | Fadhelan, Achmad Nadjih, Achmad Efendi, S.Si., M.Sc., Ph.D |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2021
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/190700/1/Achmad%20Nadjih%20F.pdf http://repository.ub.ac.id/id/eprint/190700/ |
Daftar Isi:
- UNISLA adalah perguruan tinggi dengan tingkat akreditasi yang belum maksimal. Dalam penilaian akreditasi mahasiswa memiliki poin 13,16% yang ditinjau dari berbagai aspek, salah satunya adanya mahasiswa lulus terlambat. Untuk mengetahui aspek yang mempengaruhi mahasiswa lulus terlambat dilakukan prediksi menggunakan data lulusan mahasiswa periode 2016-2020. Atribut yang digunakan diantaranya Prodi, Jenis Kelamin, Usia, Asal Sekolah, dan IP Semester 1-4 serta Ketepatan Lulus sebagai label. Pada data yang digunakan terdapat masalah dirty data yang ditangani pada preprocessing (sebelum split data) dan imbalance data ditangani dengan membangun dua model berbeda. Model pertama (XGBoost) menggunakan pendekatan algoritma dan model kedua (SMOTE XGBoost) dengan pendekatan algoritma dan tingkat data. Hasil menunjukan model SMOTE XGBoost mampu melakukan prediksi dengan baik pada imbalance data dan dirty data ditinjau dari ukuran evaluasi yang lebih tinggi, yaitu nilai precision kelas Tepat (98,12%) dan Telat (97,57%), specificity (98,16%), f1 score kelas Tepat (98,28%) dan Telat (97,37%), dan AUC (98,29%). Sedangkan, model XGBoost memiliki nilai recall lebih besar (99,08%). Berdasarkan model SMOTE XGBoost didapatkan atribut yang memiliki kontribusi lebih besar adalah IP Semester 1 (721), Semester 2 (716), Semester 4 (645), dan Semester 3 (615