Integrasi Gradient Boosted Trees dengan SMOTE dan Bagging untuk Deteksi Kelulusan Mahasiswa

Achmad Bisri, Rinna Rachmatika

Abstract


Pendidikan memiliki peranan penting dalam membangun dan mencerdaskan di dalam kehidupan. Universitas Pamulang adalah sebuah pendidikan tinggi yang memberikan kemudahan dengan biaya terjangkau. Namun, berdasarkan data prestasi akademik mahasiswa/i, terdapat ketidakseimbangan kelas antara jumlah mahasiswa/i yang lulus tepat waktu dan tidak tepat waktu dari berbagai program studi. Dalam makalah ini, dilakukan penerapan SMOTE dan teknik bagging pada metode klasifikasi Gradient Boosted Trees (GBT) untuk mengatasi masalah ketidakseimbangan kelas. Metode yang diusulkan mampu memberikan hasil yang signifikan dengan nilai akurasi sebesar 80,57% dan nilai AUC sebesar 0,858, dalam kategori klasifikasi yang baik (good classification).

Keywords


Gradient Boosted Trees; SMOTE; Bagging; Deteksi Kelulusan; Ketidakseimbangan Kelas

Full Text:

PDF

References


A. Bisri dan R.S. Wahono, “Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree,” J. Intell. Syst., Vol. 1, No. 1, hal. 27–32, Feb. 2015.

A. Nurhuda dan D. Rosita, “Prediction Student Graduation on Time Using Artificial Neural Network on Data Mining Students STMIK Widya Cipta Dharma Samarinda,” Proc. of the 2017 Int. Conf. on Ecommerce, E-Business and E-Government, hal. 86–89, 2017.

A. Saifudin, “Metode Data Mining untuk Seleksi Calon Mahasiswa pada Penerimaan Mahasiswa Baru di Universitas Pamulang,” Jurnal Teknologi, Vol. 10, No. 1, hal. 25–36, 2018.

A. Ali, S.M. Shamsuddin, dan A.L. Ralescu, “Classification with Class Imbalance Problem: A Review,” Int. J. Adv. Soft Comput. Its Appl., Vol. 7, No. 3, hal. 176–204, 2015.

N.V. Chawla, D.A. Cieslak, L.O. Hall, dan A. Joshi, “Automatically Countering Imbalance and Its Empirical Relationship to Cost,” Data Min. Knowl. Discov., Vol. 17, No. 2, hal. 225–252, 2008.

M. Galar, A. Fernandez, E. Barrenechea, H. Bustince, dan F. Herrera, “A Review on Ensembles for the Class Imbalance Problem: Bagging-, Boosting-, and Hybrid-Based Approaches,” IEEE Trans. Syst. Man, Cybern. Part C (App. and Rev.), Vol. 42, No. 4, hal. 463–484, Jul. 2012.

N.V. Chawla, K.W. Bowyer, dan L.O. Hall, “SMOTE: Synthetic Minority Over-sampling Technique Nitesh,” J. Artif. Intell. Res., Vol. 2009, No. Sept. 28, hal. 321–357, 2006.

J.H. Friedman, “Stochastic Gradient Boosting,” Comput. Stat. Data Anal., Vol. 38, No. 4, hal. 367–378, 2002.

B.W. Yap, K. Abd-Rani, H.A. Abd-Rahman, S. Fong, Z. Khairudin, dan N.N. Abdullah, “An Application of Oversampling, Undersampling, Bagging and Boosting in Handling Imbalanced Datasets,” Proc. of the First Int. Conf. on Advanced Data and Information Engineering, 2014, hal. 13–22.

J.H. Friedman, “Greedy Function Approximation: A Gradient Boosting Machine,” Ann. Stat., Vol. 29, No. 5, hal. 1189–1232, 2014.

I.H. Witten, E. Frank, M.A. Hall, dan C.J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th Ed. San Fransisco, USA: Morgan Kaufmann, 2016.

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




DOI: http://dx.doi.org/10.22146/jnteti.v8i4.529

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 JNTETI (Jurnal Nasional Teknik Elektro dan Teknologi Informasi)

JNTETI (Jurnal Nasional Teknik Elektro dan Teknologi Informasi)

Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik Universitas Gadjah Mada
Jl. Grafika No 2. Kampus UGM Yogyakarta 55281
+62 274 552305
jnteti@ugm.ac.id