Metode Klasifikasi Multilevel Pada Kasus Penerimaan Calon Mahasiswa Baru Jalur Ujian Tulis

Antari, Ika Septiana Windi (2019) Metode Klasifikasi Multilevel Pada Kasus Penerimaan Calon Mahasiswa Baru Jalur Ujian Tulis. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010008-Master_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Proses penerimaan calon mahasiswa baru didasarkan pada nilai total yang telah diboboti dan daya tampung pada program studi (prodi) pilihan. Hal ini mengakibatkan Perguruan Tinggi Negeri menerima calon mahasiswa yang mung-kin memiliki nilai rendah pada mata ujian tertentu. Pada penelitian ini ingin diketahui metode terbaik dalam memprediksi probabilitas seorang calon maha-siswa baru dapat diterima melalui ujian tulis, dan juga mengetahui nilai mata ujian apa saja yang mempengaruhi seorang calon mahasiswa baru untuk dapat masuk di Perguruan Tinggi Negeri. Metode statistika yang dapat digunakan untuk me-nyelesaikan masalah tersebut diantaranya adalah regresi logistik dan classification and regression tree (CART). Metode klasifikasi yang banyak berkembang selama ini sebatas untuk data dengan satu level. Pada penelitian ini selain digunakan vari-abel nilai mata ujian pada level 1, juga akan dipertimbangkan adanya pengaruh prodi yang dipilih calon mahasiswa baru pada level 2. Diperlukan metode klasifi-kasi multilevel untuk mengatasi masalah ini, yaitu regresi logistik multilevel dan CART multilevel. Hasil dari penelitian menunjukkan bahwa metode regresi logis-tik multilevel memberikan tingkat akurasi, spesifisitas, sensitifitas dan G-means yang sangat tinggi dibandingkan dengan metode yang lain, yaitu mencapai 100 persen. Menggunakan CART multilevel diperoleh variabel yang sangat ber-pengaruh terhadap penerimaan calon mahasiswa baru jalur ujian tulis adalah nilai Kimia, Numerikal, Biologi, dan B. Inggris. ==================================================================================================================================
Acceptance of new students at public universities through the national written test is based on the total score and the capacity of the study program. This causes the study program accepts several students who have low scores on the main subject of the study program. The purpose of this study is to find the best method in predicting the probability of being accepted on the national written test and find the most influential written test scores to be accepted at a public universi-ty. There are two classification methods in statistics that are studied to overcome this problem, i.e. logistic regression and Classification and Regression Trees (CART). The classification method that has developed is limited to data with one level. In this study, in addition to the value of test subjects at level 1, it will also be considered the influence of the study program chosen by participants on level 2. There are multilevel classification method to overcome this problem is used, i.e. multilevel logistic regression and multilevel CART. The results of the study indi-cate that multilevel logistic regression methods provide a level of accuracy, speci-ficity, sensitivity and G-means which is very high compared to other methods, which reaches 100 percent. In multilevel CART, variables that influence the ac-ceptance of participants in the written test are the score of Chemistry, Numerical, Biology, and English.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	CART, Multilevel, Regresi Logistik, Ujian Tulis
Subjects:	Q Science Q Science > Q Science (General) Q Science > Q Science (General) > Q180.55.M38 Mathematical models Q Science > QA Mathematics Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Antari Ika Septiana Windi
Date Deposited:	23 Jul 2026 04:00
Last Modified:	23 Jul 2026 04:00
URI:	http://repository.its.ac.id/id/eprint/69313

Actions (login required)

View Item