Perbandingan Akurasi Regresi Logistik dengan Regresi Multinomial untuk Prediksi Kategori IP Mahasiswa Jalur Prestasi

Raden Gunawan Santosa, Antonius Rachmat Chrismanto

Abstract


Penelitian ini membandingkan akurasi prediksi antara model regresi logistik dengan model regresi multinomial terhadap kategori Indeks Prestasi semester pertama (IPS1) mahasiswa jalur prestasi di Fakultas Teknologi Informasi (FTI) UKDW untuk mengetahui akurasi yang terbaik. Pada kedua model tersebut yang digunakan sebagai  variabel dependen adalah indeks prestasi semester pertama (IPS1) dan sebagai variabel independen yang digunakan  adalah lokasi, kategori, dan status SMA  serta  level  kemampuan bahasa Inggris. Dataset untuk membuat model regresi logistik maupun regresi multinomial  digunakan data mahasiswa FTI angkatan 2008 sampai dengan angkatan 2015 secara kumulatif, sedangkan data ujinya menggunakan data IPS1 mahasiswa angkatan 2016.  Akurasi kedua model diukur  dengan  menggunakan tabel Crosstab. Tabel Crosstab menunjukkan nilai akurasi antara kategori data hasil prediksi dengan kategori data IPS1 mahasiswa FTI angkatan 2016 yang sebenarnya. Rata-rata akurasi prediksi kategori IPS1 Mahasiswa Angkatan  2016 melalui Jalur Prestasi dengan  dengan model regresi logistik adalah 67,80125%, sedangkan rata-rata akurasi hasil prediksi dengan model regresi Multinomial adalah 67,175 %.  Selisih akurasi dari kedua metode tersebut ternyata tidak jauh berbeda.

Keywords


Regresi Logistik; Regresi Multinomial; Prediksi; Tabel Crosstab

Full Text:

PDF

References


R. G. Santosa and H. Setiadi, “Analisis Faktorial untuk Uji Pengaruh Beberapa Faktor Terhadap Indeks Prestasi Mahasiswa Fakultas Teknologi Informasi UKDW,” Unpublished, Yogyakarta, 2015.

R. G. Santosa and A. R. Chrismanto, “Regresi Logistik untuk Prediksi Kategori IP Mahasiswa Fakultas Teknologi Informasi UKDW,” Unpublishes, Yogyakarta, 2016.

R. G. Santosa and A. R. Chrismanto, “Logistic Regression Model for Predicting First Semester Students GPA category Based on High School Academic Achievement,” Researchersworld Journal of Arts, Science & Commerce Volume-VIII Issue-2(1) April 2017, pp. 58-66, 2017.

M. H. Dunham, Data Mining : Introductory and Advanced Topics, New York USA: Prentice Hall PTR Upper Saddle River , 2002.

A. Berson, S. Smith and K. Thearling, Building Data Mining Applications for CRM, MacGraw Hill Company, 2000.

J. Han, M. Kamber and J. Pei, Data Mining : Concepts and Techniques, Morgan Kaufmann Publishers, 2011.

M. Kantardzic, Data Mining Concepts, Models, Methods and Algorithms, IEEE Press and Wiley-Interscience, 2003.

O. P. Rud, Data Mining Cook Book Modeling Data for Marketing, Risk and Customer Relationship Management, John Wiley and Sons Inc., 2001.

C. Romero and S. Ventura, “Data Mining in Education,” WIREs Data Mining Knowledge Discovery 2013, 3, pp. 12-27, 2013.

B. K. Baradwaj and S. Pal, “Mining Educational Data to Analyze Students’ Performance,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 2, no. 6, pp. 63-69, 2011.

R. Asif, A. Merceron, S. A. Ali and N. G. Haider, “Analyzing Undergraduate Students' Performance Using Educational Data Mining,” Elsevier Computers & Education, vol. 113, no. 2017, pp. 177-194, 2017.

S. L. Prabha and A. Shanavas, “Educational Data Mining Applications,” Operations Research and Applications: An International Journal (ORAJ), vol. 1, no. 1, pp. 23 - 29, 2014.

D. G. Kleinbaum and M. Klein, Logistic regression : A self-Learning Text Second edition, New York: Springer Verlag Inc., 2002.

D. Alverina, A. R. Chrismanto and R. G. Santosa, “Perbandingan Akurasi Algoritma C4.5 dan CART dalam Memprediksi Kategori Indeks Prestasi Mahasiswa,” Jurnal Teknologi dan Sistem Komputer Volume 6 , No. 2 April 2018, pp. 76-83, 2018.

R. G. Santosa and A. R. Chrismanto, “Perbandingan Akurasi Model Regresi Logistik untuk Prediksi Kategori IP Mahasiswa Jalur Prestasi dengan Non Jalur Prestasi,” Jurnal Teknik dan ilmu Komputer Volume 07 No 25 Januari - Maret 2018, pp. 107-121, 2018.

D. W. Hosmer and S. Lemeshow, Applied Logistic Regression, John Wiley and Sons, Inc., 2000.

G. K. Bhattachryya and R. A. Johnson, Statistical Principles and Methods 6th edition, John Wiley & Sons, Inc, 2010.




DOI: https://doi.org/10.26418/jp.v4i2.27302

Refbacks

  • There are currently no refbacks.