Prediksi Kinerja Calon Mahasiswa Berdasarkan Nilai Seleksi Masuk Menggunakan Pendekatan Machine Learning

Abstract

Politeknik Astra menerapkan tes seleksi masuk dimana salah satu tahapan utamanya adalah Tes Potensi Akademik (TPA). TPA terdiri dari tujuh subtes. Panitia seleksi berkeinginan untuk melakukan perubahan menjadi efektif dan efisien dengan mengurangi jumlah subtes berdasarkan subtes yang paling berpengaruh. Untuk mengetahui subtes yang paling berpengaruh terhadap performa mahasiswa, digunakanlah Machine Learning . Pendekatan dilakukan dengan algoritma klasifikasi dan regresi. Hasil dari klasifikasi, algoritma Random Forest memberikan hasil terbaik. Selanjutnya untuk melihat fitur yang paling berpengaruh terhadap kelulusan seleksi masuk, dilakukan seleksi fitur dengan metode filter dan impurity-based . Tiga fitur terbaik diperoleh dari Prodi MI dan Non-MI. Selanjutnya dilakukan regresi dengan dua algoritma, yaitu Support Vector Regression (SVR) dan Neural Network Regression dengan konfigurasi 3, 5, dan model 7 fitur. Hasil terbaik konsisten dengan dua model data yaitu algoritma SVR dengan mean absolute error untuk Prodi MI 0.17 dan Non-MI 0.19. Hasilnya, model data dengan 3 fitur memiliki hasil terbaik untuk Prodi MI, artinya TPA dapat disederhanakan dengan tiga fitur, sedangkan pada Prodi Non MI, hasil terbaik pada tujuh fitur.