Perbandingan Metode Random Forest, Regresi Logistik, Naïve Bayes, dan Multilayer Perceptron Pada Klasifikasi Uang Kuliah Tunggal (UKT)

Ronny Susetyoko, Wiratmoko Yuwono, Elly Purwantini, Nana Ramadijanti

Sari


Uang Kuliah Tunggal (UKT) adalah biaya yang dikenakan kepada setiap mahasiswa untuk digunakan dalam proses pembelajaran untuk program diploma dan program sarjana dari setiap jalur penerimaan yang ditetapkan oleh pemimpin perguruan tinggi negeri (PTN). Penetapan UKT masing-masing mahasiswa baru mengikuti kebijakan masing-masing PTN, tergantung ketersediaan informasi maupun target finansial berupa pendapatan negara bukan pajak (PNBP) yang tetapkan. Rumusan atau algoritma klasifikasi UKT yang digunakan tentunya akan berdampak pada distribusi dan ekspektasi rerata UKT. Tujuan dari penelitian ini adalah membandingkan kinerja beberapa metode yaitu Random Forest, Regresi Logistik, Naïve Bayes, dan Multilayer Perceptron dalam mengklasifikasi UKT. Beberapa atribut atau fitur yang digunakan dalam model adalah status rumah, penghasilan, jumlah rumah, jumlah motor, jumlah mobil, daya listrik, kepemilikan tanah, dan jumlah anak. Dataset sebanyak 873 record dibagi menjadi data training dan data testing masing-masing sebanyak 80% dan 20%. Untuk mendapatkan metode yang terbaik, dilakukan evaluasi kinerja empat metode tersebut didasarkan pada rerata akurasi, karakteristik fungsi tingkat akurasi terhadap jumlah fitur, dan nilai ekspektasi UKT. Hasil dari penelitian ini,  metode Random Forest, Regresi Linier, dan Multilayer Perceptron dapat digunakan sebagai model klasifikasi UKT karena memiliki rerata akurasi lebih dari 85%. Namun dari ketiga model tersebut, Random Forest dapat dipilih sebagai model klasifikasi terbaik dengan rerata akurasi 97,9%. Berdasarkan karakteristik fungsi tingkat akurasi, penggunaan metode Random Forest tidak harus melibatkan banyak fitur dalam model. Dengan menerapkan metode tersebut, ekspektasi rerata UKT sebesar Rp. 3,833,811 dan simpangan baku Rp. 2,123,758.


Kata Kunci


Random Forest, Regresi Logistik, Naive Bayes, Multilayer Perceptron, rerata akurasi

Teks Lengkap:

PDF

Referensi


M. Pendidikan, D. A. N. Kebudayaan, and R. Indonesia, “ht ps:/ publik2 .blogspot.com/2020/ 7/permendikbud-nomor-25-tahun-2020.html,” 2020.

Gde Agung Brahmana Suryanegara, Adiwijaya, and Mahendra Dwifebri Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.

D. W. Triscowati, B. Sartono, A. Kurnia, D. Dirgahayu, and A. W. Wijayanto, “Classification of Rice-Plant Growth Phase Using Supervised Random Forest Method Based on Landsat-8 Multitemporal Data,” Int. J. Remote Sens. Earth Sci., vol. 16, no. 2, p. 187, 2020, doi: 10.30536/j.ijreses.2019.v16.a3217.

B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 79–89, 2021, doi: 10.25077/teknosi.v7i2.2021.79-89.

B. Siswoyo, “MultiClass Decision Forest Machine Learning Artificial Intelligence,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 1–7, 2020, doi: 10.30871/jaic.v4i1.1155.

R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.

I. K. P. Suniantara, “ANALISIS RANDOM FOREST PADA KLASIFIKASI CART UNIVERSITAS TERBUKA Analysis of Random Forest In Inaccuracies CART Classification of Terbuka University Student Graduates,” vol. 13, no. 3, pp. 179–186, 2019.

A. P. Wibawa et al., “Naïve Bayes Classifier for Journal Quartile Classification,” Int. J. Recent Contrib. from Eng. Sci. IT, vol. 7, no. 2, p. 91, 2019, doi: 10.3991/ijes.v7i2.10659.

I. Wahyudi, S. Bahri, and P. Handayani, “Aplikasi Pembelajaran Pengenalan Budaya Indonesia,” vol. V, no. 1, pp. 135–138, 2019, doi: 10.31294/jtk.v4i2.

A. Agresti, “3Rd-Ed-Alan_Agresti_Categorical_Data_Analysis.Pdf,” International encyclopedia of statistical science, vol. 47, no. 4. pp. 755–758, 2013.

A. J. Scott, D. W. Hosmer, and S. Lemeshow, Applied Logistic Regression., vol. 47, no. 4. 1991.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.

I. N. Purnama, “Perbandingan Klasifikasi Website Secara Otomatis Menggunakan Metode Multilayer Perceptron dan Naive Bayes,” J. Sist. Komput. dan Inform., vol. 2, no. 2, pp. 155–161, 2021, doi: 10.30865/json.v2i2.2703.




DOI: http://dx.doi.org/10.30811/jim.v7i1.2916

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##