Single Tuition Fee Classification Using Light Gradient Boosting Machine with Confusion Matrix Analysis

Al Khaidar, Nurdin Nurdin, Fajriana Fajriana

Sari


Uang Kuliah Tunggal merupakan sistem pembiayaan pendidikan tinggi yang ditetapkan berdasarkan kemampuan ekonomi mahasiswa. Penetapan UKT yang masih dilakukan secara manual berpotensi menimbulkan subjektivitas dan ketidaktepatan klasifikasi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi UKT berbasis data menggunakan metode Light Gradient Boosting Machine (LightGBM). Dataset yang digunakan terdiri dari 10.000 data mahasiswa Politeknik Negeri Lhokseumawe yang telah melalui tahap prapemrosesan dan transformasi fitur. Model dilatih menggunakan pembagian data latih dan data uji sebesar 80:20, serta dievaluasi menggunakan metrik akurasi, classification report, confusion matrix, dan 10-Fold Cross Validation. Hasil pengujian menunjukkan bahwa model LightGBM mencapai akurasi sebesar 98% pada data uji. Pengujian 10-Fold Cross Validation menghasilkan rata-rata akurasi sebesar 99,21% dengan standar deviasi 0,29%, yang menunjukkan stabilitas dan kemampuan generalisasi yang sangat baik. Hasil ini membuktikan bahwa LightGBM efektif dan andal untuk mendukung penetapan UKT yang lebih objektif dan berbasis data.

Teks Lengkap:

PDF

Referensi


A. Khaidar, M. Arhami, and M. Abdi, “Application of the Random Forest Method for UKT Classification at Politeknik Negeri Lhokseumawe,†J. Artif. Intell. Softw. Eng., vol. 4, no. 2, pp. 94–103, 2024.

S. Kurnia and A. Khaidar, “Perbandingan Metode Machine Learning Menggunakan Metode Support Vector Machine Dan Artificial Neural Network Dalam Memprediksi Serangan Jantung,†J. Inform. Kaputama (JIK, vol. 9, no. 2, pp. 87–94, 2025.

R. Susetyoko, W. Yuwono, and dkk, Perbandingan metode Random Forest, Regresi Logistik, Naïve Bayes, dan Multilayer Perceptron pada klasifikasi Uang Kuliah Tunggal (UKT. Infomedia: Jurnal Ilmu Computer & Teknologi Informasi, 2022.

E. B. Setiawan, “Rekonstruksi kebijakan hukum kenaikan uang kuliah tunggal berdasarkan tanggung jawab konstitusional negara,†Lex Renaiss., vol. 9, no. 2, pp. 123–145, 2024, doi: 10.20885/jlr.vol9.iss2.art5.

K. Taha, “A Comprehensive Survey of Text Classification Techniques,†Expert Syst. Appl., vol. 202, pp. 117–134, 2024.

M. Chen and Z. Liu, “Predicting performance of students by optimizing tree components of random forest using genetic algorithm,†Heliyon, vol. 10, no. 12, p. e32570, 2024, doi: https://doi.org/10.1016/j.heliyon.2024.e32570.

N. Nurdin, “Analisa Data Mining Dalam Memprediksi Masyarakat Kurang Mampu Menggunakan Metode K-Nearest Neighbor,†J. Inform. Dan Tek. Elektro Terap., vol. 12, no. 2, 2025.

V. Sheth, “A Comparative Analysis of Machine Learning Algorithms for Classification Tasks,†Procedia Comput. Sci., vol. 187, pp. 1159–1166, 2022.

I. H. Sarker, “Machine Learning: Algorithms, Real-World Applications and Research Directions,†SN Comput Sci, vol. 2, no. 3, 2021, doi: 10.1007/s42979-021-00592-x.

U. I. Akpan, “Review of Classification Algorithms with Changing Inter-Class Distances,†J. King Saud, 2021.

T. Jiang, J. L. Gradus, and A. J. Rosellini, “Supervised Machine Learning: A Brief Primer. Behav Ther,†2021. doi: 10.1016/j.beth.2020.05.002.

K. P. Kebudayaan Republik Indonesia, “Peraturan Menteri Pendidikan dan Kebudayaan Nomor 2 Tahun 2024 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Negeri di Lingkungan Kementerian Pendidikan dan Kebudayaan,†2024, Jakarta.

K. P. Kebudayaan Republik Indonesia, “Peraturan Menteri Pendidikan dan Kebudayaan Nomor 25 Tahun 2020 tentang Standar Satuan Biaya Operasional Pendidikan Tinggi pada Perguruan Tinggi Negeri di Lingkungan Kementerian Pendidikan dan Kebudayaan,†2020, Jakarta. [Online]. Available: https://peraturan.bpk.go.id/Details/163756/permendikbud-no-25-tahun-2020

A. H. A. Zili and S. A. Amellia, “Predicting digital literacy levels in higher education: A LightGBM model integrating feature selection for improved accuracy,†G-Tech J. Teknol. Terap., vol. 9, no. 4, 2025.

A. Abukader, A. Alzubi, O. R. Adegboye, M. D. P. I. Zili, A. H. A., and S. A. Amellia, “Intelligent system for student performance prediction: Educational data mining approach using metaheuristic-optimized LightGBM with SHAP-based learning analytics,†Appl. Sci., vol. 15, no. 20, p. 10875, 2025.

C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, “A comparative analysis of gradient boosting algorithms,†Artif. Intell. Rev., vol. 54, no. 3, pp. 1937–1967, 2021.

Y. Liu, Y. Wang, J. Zhang, and L. Wang, “An improved LightGBM model for classification of imbalanced data,†IEEE Access, vol. 8, pp. 13294–13305, 2021.

S. Zhang, Y. Wang, and X. Liu, “LightGBM-based prediction model for educational data mining,†J. Intell. Fuzzy Syst., vol. 41, no. 3, pp. 3895–3906, 2020.




DOI: http://dx.doi.org/10.30811/jaise.v5i4.8479

Refbacks

  • Saat ini tidak ada refbacks.


Indexing :

Creative Commons License
Journal of Artificial Intelligence and Software Engineering (JAISE) licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.