Model Prediksi dengan Pembelajaran Mesin dalam Pemberian Program Beasiswa kepada Calon Mahasiswa Baru Program S1 di Perguruan Tinggi Swasta.

Abstract

Persaingan di dalam dunia pendidikan tinggi secara khusus Perguruan Tinggi Swasta (PTS) terutama di era digital menjadi semakin ketat. Dalam memperebutkan jumlah calon mahasiswa baru yang tersedia, berbagai cara dilakukan agar target penerimaan jumlah mahasiswa baru dapat tercapai. Pemberian program beasiswa adalah salah satu cara menjaring calon mahasiswa baru. Pemberian program beasiswa harus mempertimbangkan berbagai kemungkinan seperti keseriusan atau komitmen sedangkan penolakan pemberian program beasiswa dapat juga terjadi dan menjadi kendala pada akhir suatu periode Penerimaan Mahasiswa Baru (PMB). Model prediksi melalui pembelajaran mesin dengan beberapa atribut seperti asal sekolah SMA, “Kategori Sekolah” SMA, provinsi atau daerah asal SMA, jurusan saat SMA yang diambil, nilai akademik SMA, jenis pekerjaan orang tua, dan pilihan program studi atau jurusan yang akan diambil saat nanti berkuliah pada akhirnya dapat memberikan suatu indikator nilai peluang atau kemungkinan penerimaan atau penolakan program beasiswa dari seorang calon mahasiswa baru. Saat ini belum ada usaha untuk memprediksi secara sistematis terhadap penerimaan / penolakan program beasiswa. Tujuan penelitian ini adalah membangun dan membandingkan model pembelajaran mesin seperti Logistic Regression, Artificial Neural Network, Support Vector Machine, Decision Tree, Naïve Bayes, dan K Nearest Neighbors sehingga didapatkan satu model pembelajaran mesin yang memiliki prediksi yang terbaik terhadap pemberian program beasiswa. Dari hasil penelitian maka model Logistic Regression memiliki nilai akurasi rata-rata tertinggi (62,05%) saat melakukan pembelajaran model dengan data latihan dibandingkan dengan model lainnya. Akurasi model Logistic Regression memiliki nilai tertinggi terhadap data uji sebesar (62,29%) dan juga memiliki nilai AUC (0.818) yang berarti bahwa model dapat melakukan pengklasifikasian dengan baik terhadap kelompok pengambilan keputusan dibandingkan dengan model lainnya.