Komparasi metode SMOTE dan ADASYN dalam meningkatkan performa klasifikasi herregistrasi mahasiswa baru

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Nurdian, Risky Agung (2021) Komparasi metode SMOTE dan ADASYN dalam meningkatkan performa klasifikasi herregistrasi mahasiswa baru. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Text
Risky Agung Nurdian_H06217020.pdf
Download (1MB)

Abstract

Perguruan tinggi setiap tahunnya melakukan penerimaan mahasiswa baru pada awal tahun ajaran baru. Dalam penerimaan calon mahasiswa baru jalur SPAN PTKIN di UINSA banyak calon mahasiswa yang tidak melakukan daftar ulang akan berdampak kepada pendapatan lembaga UINSA. Jika, lembaga dapat mengetahui sejak dini dari kemungkinan calon mahasiswa yang akan mengundurkan diri, maka pihak dari manajemen dapat melakukan tindakan untuk mempertahankan calon mahasiswa tersebut. Untuk mengatasi hal tersebut maka dapat dilakukan klasifikasi data mining. Metode yang digunakan dalam klasifikasi ini adalah decision tree dan naïve bayes. Banyaknya siswa yang tidak daftar ulang dibandingkan daftar ulang mengakibatkan data menjadi tidak seimbang. Ketidak seimbangan data dapat mempengaruhi hasil keakuratan klasifikasi. Ketidak seimbangan data yang digunakan dapat menghasilkan model yang tidak cocok. Solusi untuk menangani ketidak seimbangan data adalah dengan menggunakan metode oversampling SMOTE dan ADASYN. Tujuan dari penelitian ini adalah untuk membandingkan performa metode SMOTE dan ADASYN. Hasil penelitian menunjukkan bahwa metode SMOTE dapat menyeimbangkan data dengan seimbang dibandingkan ADASYN. Dari 6 skenario dengan 24 pengujian yang dilakukan metode SMOTE lebih cocok digunakan dibandingkan metode ADASYN kerena nilai ROC_AUC SMOTE lebih tinggi dibandingkan ADASYN.