Penanganan Data Tidak Seimbang pada Pemodelan Rotation Forest Keberhasilan Studi Mahasiswa Program Magister IPB

Wijaya, Junjun; Soleh, Agus M; Rizki, Akbar

doi:10.29244/xplore.v2i2.99

Cited by 4 publications

(6 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Metode yang digunakan adalah Rotation Forest. Dari penelitian ini diperoleh tingkat akurasi algoritma Rotation Forest dalam memprediksi kelulusan mahasiswa sebelum SMOTE (Synthetic Minority Oversampling Technique) 89%, setelah SMOTE 71,86 % [7].…”

Section: Pendahuluanunclassified

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Hasibuan¹,

Mahdiana²

2023

SKANIKA

View full text Add to dashboard Cite

Kelulusan tepat waktu adalah salah satu indikator keberhasilan mahasiswa dalam memperoleh gelar sarjana. Dalam praktiknya, mahasiswa tidak dapat selalu menyelesaikan pendidikan sarjana dalam empat tahun. Kelulusan tepat waktu adalah salah satu indikator penilaian kualitas pendidikan tinggi karena salah satu penilaian akreditasi Badan Akreditasi Pendidikan Tinggi Nasional (BANPT). Jumlah lulusan dalam 7 tahun terakhir mahasiswa S-1 yang lulus tepat waktu tidak mencapai 50%. Dalam jangka panjang, hal ini dapat menyebabkan penumpukan mahasiswa di UIN Syarif Hidayatullah di Jakarta dan tentu saja akan menghasilkan penurunan nilai akreditasi untuk Program Studi dan Universitas. Dalam penelitian ini, digunakan teknik data mining, algoritma C4.5 untuk mendeteksi lebih dini mahasiswa yang lulus terlambat, Algoritma C4.5 adalah algoritma yang sudah banyak dikenal dan digunakan untuk klasifikasi data yang memiliki atribut-atribut numerik dan kategorial. Pada penelitian ini menghasilkan Algoritma C4.5 dapat memprediksi kelulusan mahasiswa tepat waktu dengan nilai Accuracy 75,52 %, Precision 75,50%, dan Recall 75,50 %.

show abstract

Section: Pendahuluanunclassified

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Hasibuan¹,

Mahdiana²

2023

SKANIKA

View full text Add to dashboard Cite

show abstract

“…Beberapa teknik resampling yang sering digunakan yaitu oversampling, undersampling, dan SMOTE (Synthetic Minority Over-samplingTechnique). Penerapan SMOTE dapat meningkatkan sensitivitas hingga lebih dari 50 persen meskipun akurasi dan spesifitasnya menurun dibandingkan tanpa SMOTE (Wijaya, Soleh, & Rizki, 2018). Sedangkan menurut Nikmatul Kasanah, Muladi, & Pujianto (2017), penggunaan SMOTE dapat menghasilkan akurasi yang lebih tinggi dibandingkan tanpa SMOTE.…”

Section: Pendahuluanunclassified

“…Missing value dapat ditangani dengan imputasi data atau melakukan binning (pengkategorian) pada peubah prediktor, sehingga missing value menjadi satu kategori tersendiri. Penelitian mengenai metode klasifikasi saat ini hanya fokus menangani imbalance class saja, seperti penelitian Nikmatul Kasanah et al (2017), Wijaya et al (2018), dan Astuti & Lenti (2021). Penelitian yang bertujuan untuk menangani secara sekaligus masalah imbalance class dan missing value masih terbatas.…”

Section: Pendahuluanunclassified

Perbandingan Metode Klasifikasi pada Data dengan Imbalance Class dan Missing Value

Istiana,

Mustafiril

2023

Jurnal Penelitian Teknik Informatika, Manajemen Informatika dan

View full text Add to dashboard Cite

Imbalance class dan missing value merupakan beberapa permasalahan dalam metode klasifikasi. Imbalance class berdampak pada hasil prediksi dimana kelas minoritas sering disalahklasifikasikan sebagai kelas mayoritas. Missing value menyebabkan beberapa algoritma dalam metode klasifikasi tidak dapat dijalankan. Pada penelitian ini, imbalance class ditangani dengan SMOTE, sedangkan missing value ditangani dengan imputasi rataan dan binning peubah. Metode klasifikasi yang dibandingkan dalam kasus ini adalah regresi logistik, bagging, boosting, random forest, dan support vector machine yang diaplikasikan pada data dummy status kolektibilitas debitur. Metode klasifikasi tersebut akan cenderung memprediksi data kelas mayor (debitur berstatus kolektibilitas baik), sehingga prediksi kelas minor (debitur berstatus kolektibilitas buruk) cenderung sedikit. Metode yang memberikan akurasi tertinggi yaitu random forest (missing value diimputasi dengan nilai rataan), yang menghasilkan akurasi sebesar 0.801, sensitivitas sebesar 0.593, dan spesivitas sebesar 0.807. Imbalance class and missing value are some of the problems in classification method. Imbalance class causes the prediction of the minority class to be misclassified as the majority class. Missing value causes several algorithms in classification method cannot be run. In this study, imbalance class is handled by SMOTE, while missing value is handled by mean imputation and binning variable. The classification methods being compared in this study are logistic regression, bagging, boosting, random forest, and support vector machines which are applied to dummy data on debtors' collectibility status with total data 12459. The data contains 97.48 debtors with good collectibility status and 2.52 percent of debtors with bad collectibility status. The method that provides the highest accuracy is random forest (missing value imputed by mean value), which results in accuracy of 80.1 percent, sensitivity of 59.3 percent, and specificity of 80.7 percent.

show abstract

“…Menurut Chawla et al (2002), SMOTE dapat meningkatkan accuracy pengklasifikasi untuk kelas minor. Berdasarkan penelitian yang dilakukan oleh Wijaya et al (2018), dengan menerapkan SMOTE untuk menangani masalah data tidak seimbang mampu meningkatkan nilai sensitivitas (sensitivity) dari 0% menjadi 44,4%. Oleh karena itu, penanganan data tidak seimbang pada penelitian ini dilakukan menggunakan SMOTE.…”

Section: Pendahuluanunclassified

Perbandingan CART dan SMOTE CART dalam Mengklasifikasikan Kebutuhan KB Tidak Terpenuhi di Indonesia

Shofa

Aidi

Susetyo

2022

Xplore

View full text Add to dashboard Cite

Indonesia is ranked fourth in the world as the country with the largest population. The high population growth in Indonesia can cause problems in several fields. The government seeks to suppress the rate of population growth through the Family Planning (KB) program. In Indonesia, the number of unmet needs for family planning is still relatively high and has not yet reached the BKKBN target. Therefore, it is necessary to identify the characteristics of unmet need for family planning among married women or living with partner. This study used the Classification and Regression Trees (CART) method. This study handling unbalanced data by Synthetic Minority Oversampling Technique (SMOTE). This study aims to compare the performance of the CART and SMOTE CART classification methods in classifying unmet need for family planning and to identify the characteristics of unmet need for family planning among married women or living with partner in Indonesia. The SMOTE CART model has better performance than the CART model, with the percentages of balanced accuracy, sensitivity, and specificity being respectively 54.83%, 34.96%, and 74.70%. In general, the characteristics of unmet need for family planning among married women or living with partner in Indonesia are having 1-4 living children, not getting information from mass media, not accessing the internet in the last month, having a primary or secondary education level, a husband with no education or with a primary or secondary education level, and aged more than 30 years old. Keywords: CART, SMOTE CART, unmet need for family planning

show abstract

Penanganan Data Tidak Seimbang pada Pemodelan Rotation Forest Keberhasilan Studi Mahasiswa Program Magister IPB

Cited by 4 publications

References 5 publications

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Perbandingan Metode Klasifikasi pada Data dengan Imbalance Class dan Missing Value

Perbandingan CART dan SMOTE CART dalam Mengklasifikasikan Kebutuhan KB Tidak Terpenuhi di Indonesia

Contact Info

Product

Resources

About