Implementasi SEM-Multiple Linear Regression dalam Prediksi Jumlah Pendaftaran Mahasiswa Baru di Perguruan Tinggi XYZ

Amelia Rahmadhani(1*), Dadang Syarif Sihabudin Sahid(2), Yohana Dewi Lulu Widyasari(3)
(1) Magister Terapan Teknik Komputer, Politeknik Caltex Riau
(2) Magister Terapan Teknik Komputer, Politeknik Caltex Riau
(3) Magister Terapan Teknik Komputer, Politeknik Caltex Riau
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v9i2.2023.150-162


Abstrak


Bagi perguruan tinggi swasta (PTS), tidak menutup kemungkinan semakin banyak mahasiswa baru yang diterima, maka PTS tersebut akan terus eksis. Sebaliknya, jika PTS gagal menambah atau bahkan menurunkan jumlah mahasiswa baru setiap tahunnya, hal itu bisa berubah dengan tidak mampu beroperasi lagi bagi PTS dikarenakan pendapatan mereka satu-satunya hanya dari biaya kuliah mahasiswa. Tujuan penelitian ini diantaranya penentuan faktor-faktor yang mendukung prediksi pendaftaran mahasiswa di perguruan tinggi berdasarkan data sebelumnya, mengimplementasikan Multiple Linear Regression terhadap pendaftaran mahasiswa di perguruan tinggi, dan menganalisis tingkat akurasi hasil prediksi pendaftaran mahasiswa di perguruan tinggi. Penelitian ini menggunakan algoritma Multiple Linear Regression. Sebelum melakukan tahap prediksi, terlebih dahulu menentukan faktor-faktor yang mempengaruhi jumlah penerimaan mahasiswa baru menggunakan Structural Equation Modeling (SEM) dengan faktor promosi, biaya Pendidikan, tingkat kelulusan, informasi pendafataran, jenis kelamin dan nilai akreditasi. Berdasarkan hasil SEM didapat faktor promosi, biaya Pendidikan, tingkat kelulusan, informasi pendafataran, dan nilai akreditasi, dapat dilanjutkan ke tahap berikutnya karena faktor tersebut berpengaruh signifikan terhadap mahasiswa baru, sedangkan hasil prediksi menggunakan Multiple Linear Regression didapat bahwa nilai prediksi untuk tahun berikutnya adalah 486 orang calon mahasiswa baru, dengan hasil perhitungan MSE adalah 2657,79 dan MAE adalah 42.29, dimana semakin kecil hasil nilai MSE dan MAE yang diperoleh maka kesalahan pada sistem juga semakin sedikit serta R2 adalah 0.9280 (92,80%) menandakan bahwa pengaruh semua struktur eksogen pada struktur endogen kuat.

Kata Kunci


Prediksi Mahasiswa Baru, Multiple Linear Regression, Structural Equation Modeling


Teks Lengkap:

PDF


Referensi


[1] M. A. Badan Akreditasi Nasional Perguruan Tinggi, “Peraturan Badan Akreditasi Nasional Perguruan Tinggi Nomor 9 Tahun 2020 Tentang Kebijakan Pengalihan Akreditasi Program Studi Dari Badan Akreditasi Nasional Perguruan Tinggi Ke Lembaga Akreditasi Mandiri,” Ban-Pt, hal. 4–6, 2020.

[2] W. Sudarwati dan D. E. Tikwalau, “Faktor-Faktor Yang Mempengaruhi Siswa-Siswa SMU/SMK Terhadap Keputusan Pemilihan Perguruan Tinggi Swasta,” JISI J. Integr. Sist. Ind. 1(1), vol. 2014, hal. 68–81, 2014.

[3] A. D. Suharti, “Peran Perpustakaan Perguruan Tinggi Dalam Mendukung Akreditasi Program Studi,” Bul. Perpust. Univ. Islam Indones., vol. 2, no. 2, hal. 47–62, 2019.

[4] Djaali, Psikologi Pendidikan. Jakarta: Bumi Aksara. 2012.

[5] H. Di Kesuma, D. Apriadi, H. Juliansa, dan E. Etriyanti, “Implementasi Data Mining Prediksi Mahasiswa Baru Menggunakan Algoritma Regresi Linear Berganda,” J. Ilm. Bin. STMIK Bina Nusant. Jaya Lubuklinggau, vol. 4, no. 2, hal. 62–66, 2022.

[6] A. A. Azhar dan A. T. Sikumbang, “Kecenderungan Peminatan Mahasiswa Program Studi Komunikasi Islam Pascasarjana Universitas Islam Negeri Sumatera Utara ( UINSU ) Medan Tahun 2010-2016,” Universitas Islam Negeri (UIN) Sumatera Utara, 2018.

[7] M. W. P. Putra dan K. S. Kasmiarno, “Pengaruh Covid-19 Terhadap Kehidupan Masyarakat Indonesia: Sektor Pendidikan, Ekonomi Dan Spiritual Keagamaan,” POROS ONIM J. Sos. Keagamaan, vol. 1, no. 2, hal. 144–159, 2020.

[8] S. Makridakis, R. J. Hyndman, dan F. Petropoulos, “Forecasting in social settings : The state of the art,” Int. J. Forecast., vol. 36, no. 1, hal. 15–28, 2020, doi: 10.1016/j.ijforecast.2019.05.011.

[9] A. Purba, “Perancangan Aplikasi Peramalan Jumlah Calon Mahasiswa Baru yang mendaftar menggunakan Metode Single Exponential Smothing (Studi Kasus: Fakultas Agama Islam UISU),” JURIKOM (Jurnal Ris. Komputer), 2(6), vol. 2, no. 6, hal. 8–12, 2015.

[10] P. Santoso, H. Abijono, dan N. L. Anggreini, “Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data,” Unira Malang |, vol. 4, no. 2, 2021.

[11] D. Winarso, “Perbandingan Metode Regresi Linier Dan Weighted Moving Average Dalam Meramalkan Jumlah Mahasiswa Pada Periode Tertentu,” Pros. Celscitech, vol. 2, hal. tech_70-tech_74, 2017.

[12] R. Z. Nainggolan, K. Ibnutama, dan M. G. Suryanata, “Implementasi Data Mining Dengan Metode Regresi Linier BergandaDalam Estimasi Mahasiswa Baru Pada SekolahTinggi Agama Islam Raudhatul Akmal BatangKuis,” J. Cyber Tech, vol. 1, no. 1, 2021.

[13] H. Di Kesuma, D. Apriadi, H. Juliansa, E. Etriyanti, K. Palembang, dan P. S. Selatan, “Implementasi Data Mining Prediksi Mahasiswa Baru Menggunakan Algoritma Regresi Linear Berganda Implementation of Data Mining Predictions for New Students Using Multiple Linear Regression Algorithm,” J. Ilm. Bin. STMIK Bina Nusant. Jaya Lubuklinggau, 4(2), 62–66, vol. 0, no. 02, hal. 62–66, 2022, doi: 10.52303/jb.v4i2.74.

[14] M. Singarimbun dan E. Shofian, Metode Penelitian Survei. Jakarta: LP3ES. 1995.

[15] A. Roihan, P. A. Sunarya, dan A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang : Review paper,” vol. 5, no. April, hal. 75–82, 2020.

[16] L. Lela, Ruslan, dan I. Yahya, “Analisis Faktor-Faktor Yang Mempengaruhi Skor Kebahagiaan Remaja (Studi Kasus Siswa SMAN 1 Wangi-Wangi),” no. 2005, hal. 611–620, 2019.

[17] I. L. L. Gaol, S. Sinurat, dan E. R. Siagian, “Implementasi Data Mining Dengan Metode Regresi Linear Berganda Untuk Memprediksi Data Persediaan Buku Pada PT. Yudhistira Ghalia Indonesia Area Sumatera Utara,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, Nov 2019, doi: 10.30865/komik.v3i1.1579.

[18] R. Efendi, “Model Prediksi Fertilitas Menggunakan Regresi, Rough Sets dan Rough-Regresi,” in Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2018, hal. 666–672.

[19] S. E. Saputra, “Analisis Lossetime Optimal Alat Gali Muat Excavator 1250 dan Alat Angkut HD 785 pada Kegiatan Pemindahan Tanah Penutup Menggunakan Regresi Linier Berganda pada Pit MTBU Penambangan PT. Pama Persada Nusantara,” repository.sttind.ac.id, 2022.

[20] J. Hair, W. Black, R. Anderson, dan B. Babin, “Multivariate data analysis (8, ilustra ed.),” Cengage Learn. EMEA, vol. 27, no. 6, hal. 1951–1980, 2018.

[21] J. F. Hair, C. M. Ringle, dan M. Sarstedt, “Partial Least Squares Structural Equation Modeling: Rigorous Applications, Better Results and Higher Acceptance,” Long Range Planning, vol. 46, no. 1–2. Elsevier Ltd, hal. 1–12, 2013. doi: 10.1016/j.lrp.2013.01.001.

[22] J. F. Hair, J. J. Risher, M. Sarstedt, dan C. M. Ringle, “When to use and how to report the results of PLS-SEM,” 2018.

[23] R. C. Prihandari, “Data Mining: Konsep Dan Apikasi Menggunakan Rapidminer (Series: Supervised Learning Dan Unsupervised Learning),” Institut Riset Dan Publikasi Indonesia (Irpi), 2022.

[24] J. F. Hair, J. J. Risher, M. Sarstedt, dan C. M. Ringle, “When to use and how to report the results of PLS-SEM,” European Business Review, vol. 31, no. 1. Emerald Group Publishing Ltd., hal. 2–24, 14 Januari 2019. doi: 10.1108/EBR-11-2018-0203.

[25] J. Hair, G. Hult, dan C. Ringle, A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). 2nd Edition. Sage Publications, Thousand Oaks., 2017.

[26] A. Yobioktabera dan A. W. Wibowo, “Penerapan Data Mining Untuk Memprediksi Penerimaan Calon Mahasiswa Baru Fakultas Kedokteran,” hal. 16–19, 2021.

[27] F. Oktavia Lusiana et al., “Journal of Artificial Intelligence and Engineering Applications Analysis Of Multiple Regression Data Mining Methods On The Prediction Of Ibtidaiyah School Registration,” 2022. [Daring]. Tersedia pada: https://ioinformatic.org/

[28] L. W. Santoso dan Yulia, “Predicting Student Performance Using Data Mining,” vol. X, no. X, hal. 1–4, 2018.

[29] S. Khan, “Study Factors for Student Performance Applying Data Mining Regression Model Approach,” vol. 21, no. 2, hal. 188–192, 2021.

[30] H. Darman, S. Musa, R. Ramasamy, dan R. Rajeswari, “Predicting Students ’ Final Grade in Mathematics Module using Multiple Linear Regression,” Int. J. Recent Technol. Eng, 7(5), 331-335, 2019.

[31] D. S. S. Sahid, “Learner Behavior in e-Learning as a Multicriteria Attribute based on Perspective of Flow Experience,” Int. J. Adv. Comput. Sci. Appl. 11(12)., vol. 11, no. 12, hal. 277–284, 2020.

[32] A. Tabita dan S. Halim, “Faktor-Faktor yang Mempengaruhi Siswa SMA dalam Memilih Perguruan Tinggi,” Pros. Semin. Nas. Tek. Ind. UK Petra 2014, 2014.


Artikel Statistik

Abstrak telah dilihat : 69 kali
PDF telah dilihat : 53 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.