Pratiwi, Shiela Novelia Dharma (2020) Pemodelan Pada Data Status Penerimaan Calon Mahasiswa Baru Melalui Jalur Ujian Tulis Bidang Saintek Tahun 2018 Menggunakan Bernoulli Mixture Model. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211750010003_Master Thesis.pdf Download (2MB) | Preview |
Abstract
Ujian tulis untuk seleksi penerimaan mahasiswa baru di Institut Teknologi 10 Nopember dilakukan dengan mengujikan 10 mata ujian yang dianggap mampu memberikan gambaran dari kemampuan setiap calon mahasiswa, meliputi tes kemampuan Potensi Akademik (TKPA) dan Tes Kemampuan Dasar Sains dan Teknologi (TKD SAINTEK). Dari tahun ketahun sistem penilaian pada ujian tulis hanya menitik beratkan pada nilai total sebagai tolak ukur penerimaan mahasiswa tanpa mempertimbangkan nilai kompetensi dan prodi pilihan calon mahasiswa baru. Untuk calon mahasiswa baru yang memilih prodi ilmu pasti seperti Fisika, Kimia, Biologi, Matematika, Aktuaria dan Statistika, kompetensi pada kemampuan dasar yang berkorespondensi dengan prodi pilihan perlu untuk dievaluasi, mengingat prodi tersebut hanya berfokus pada kemampuan khusus yang ditunjukkan oleh nilai TKD SAINTEK. Secara khusus, penelitian ini bertujuan untuk memodelkan status penerimaan calon mahasiswa baru dengan menggunakan mixture yaitu kesesuaian antara nilai TKD SAINTEK dengan prodi pilihan. Dengan harapan, hasil ketepatan klasifikasi dari pemodelan dapat digunakan sebagai pertimbangan untuk sistem penilaian pada tahun-tahun yang akan datang, sehingga sistem penilaian tidak hanya berfokus pada nilai total, tetapi juga pada kompetensi calon mahasiswa baru. Analisis pada penelitian ini menggunakan konsep data driven, sehingga data berpola multimodal menggunakan Bernoulli Mixture Model (BMM). Metode Markov Chain Monte Carlo (MCMC) akan digunakan untuk mengurai proses estimasi kompleks pada metode Bayesian. Pada penelitian ini, pemeriksaan konvergensi akan dilakukan secara inferensia dengan menggunakan tiga metode yaitu Gelman-Rubin, Geweke dan Raftery-Lewis. Pemodelan yang didapatkan pada penelitian ini memberikan ketepatan klasifikasi untuk prodi Fisika sebesar 73.02%, prodi Kimia sebesar 73.91%, prodi Biologi sebesar 68.13%, Aktuaria sebesar 71.18%, Matematika sebesar 63.54% dan Statistika sebesar 50%. Metode pemeriksaan konvergensi yang tepat digunakan pada penelitian ini adalah metode Geweke dan Raftery-Lewis.
===================================================================================================================================
The written test to select registrants to be accepted as students of Sepuluh Nopember Institute of Technology is conducted by testing them in ten subjects considered providing an overview of their abilities. The ten subjects are included in the Academic Potential Ability Test (TKPA) and the Basic Ability Test of Science and Technology (TKD SAINTEK). From year to year, the scoring system of the written test only emphasises on the total score as a benchmark for the eligibility of the prospective students to be accepted, without considering the values of their competencies and the study programs they have chosen. For those who have chosen certain study programs of science such as Physics, Chemistry, Biology, Mathematics, Actuarial Science, and Statistics, their competencies in the Basic Abilities, which are directly corresponding to the study programs they chose, need to be evaluated, bearing in mind that the study programs only focus on the specific abilities shown by the scores of TKD SAINTEK. Specifically, this study aimed to model the status of the acceptance of prospective students by using a mixture, namely the suitability of the TKD SAINTEK scores with the chosen study program. Hopefully, the results of the model classification accuracy can be used as a consideration in the scoring system in the next years, so that it will not only focus on the total score, but also on the competency of each test participant. The data analysis in this study used the data-driven concept so that the multimodal-patterned data used the Bernoulli Mixture Model (BMM). The Monte Carlo Markov Chain (MCMC) method was employed to parse the complex estimation process in the Bayesian method. The convergence test was carried out inferentially using three methods, namely of Gelman-Rubin, Geweke, and Raftery-Lewis. The model obtained in this study provides the classification accuracy levels for Physics, Chemistry, Biology, Actuarial Science, Mathematics, and Statistics of 73.02%, 73.91%, 68.13%, 71.18%, 63.54%, and 50%, respectively. The exact convergence testing methods used in this study were those of Geweke and Raftery-Lewis.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.542 Pra p-1 |
| Uncontrolled Keywords: | Bernoulli Mixture Model, Ujian Tulis, MCMC, Data Driven |
| Subjects: | L Education > L Education (General) Q Science > QA Mathematics > QA274.7 Markov processes--Mathematical models. Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory. |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Shiela Novelia Dharma Pratiwi |
| Date Deposited: | 14 Mar 2025 00:42 |
| Last Modified: | 14 Mar 2025 00:42 |
| URI: | http://repository.its.ac.id/id/eprint/74225 |
Actions (login required)
 |
View Item |
