<![CDATA[Keringanan Uang Kuliah Tunggal (UKT) merupakan bantuan finansial bagi mahasiswa dari keluarga berpenghasilan rendah. Namun, proses seleksi penerima sering kali menghadapi tantangan subjektivitas dan ketidakseimbangan data, yang dapat berdampak pada ketepatan keputusan. Penelitian ini bertujuan membangun model klasifikasi untuk memprediksi kelayakan mahasiswa secara objektif menggunakan algoritma Regresi Logistik dan metode penyeimbangan data Synthetic Minority Over-sampling Technique (SMOTE). Penelitian ini menggunakan pendekatan kuantitatif dengan metode supervised learning. Dataset terdiri dari 100 data, yakni 80 data latih dan 20 data uji, dengan distribusi kelas yang tidak seimbang. Evaluasi model dilakukan menggunakan confusion matrix, akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model tanpa SMOTE memiliki akurasi 91,2%, presisi 95,9%, recall 90,4% dan f1-score berada 93,1%. Setelah penerapan SMOTE, model menunjukkan akurasi meningkat menjadi 92,3% dengan presisi 94,0%, recall tetap stabil di nilai yang sama dengan model latih tanpa smote, dan F1-score mencapai 92,2%. Pada data uji, model mempertahankan kinerja tinggi dengan seluruh metrik evaluasi di atas 90%, menunjukkan kemampuan generalisasi yang baik dan minim overfitting. Penerapan SMOTE terbukti efektif dalam mengatasi ketidakseimbangan kelas dan meningkatkan sensitivitas model terhadap kelas minoritas.]]>
Copyrights © 2025
