<![CDATA[Tracer study merupakan instrumen penting untuk mengevaluasi kualitas lulusan dan relevansi kurikulum terhadap kebutuhan dunia kerja. Namun, pemanfaatan data tracer study masih terbatas, sementara karakteristik datanya umumnya menghadapi permasalahan ketidakseimbangan kelas (class imbalance) yang dapat menurunkan performa model klasifikasi. Penelitian ini bertujuan membangun model klasifikasi status pekerjaan lulusan menggunakan algoritma Random Forest dengan pendekatan SMOTEN serta membandingkan tiga strategi class merging pada data tracer study UIN Raden Mas Said Surakarta yang terdiri atas 2.258 responden dan 30 variabel. Tahapan penelitian mengikuti kerangka CRISP-DM yang meliputi persiapan data, pemodelan, dan evaluasi menggunakan Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa strategi aggressive class merging (2 kelas) memberikan performa terbaik dengan test accuracy sebesar 76,99%, balanced accuracy sebesar 69,54%, serta menurunkan overfitting gap dari 35,83% menjadi 15,06%. Analisis feature importance menunjukkan bahwa tingkat hubungan studi–pekerjaan (20,62%), IPK kelulusan (17,09%), waktu mulai mencari pekerjaan (11,95%), praktikum (9,63%), dan kerja lapangan (6,68%) merupakan faktor yang paling berpengaruh terhadap status pekerjaan lulusan. Temuan ini menunjukkan bahwa penyederhanaan kelas efektif meningkatkan performa klasifikasi pada data tracer study yang tidak seimbang, sekaligus menegaskan pentingnya kesesuaian kurikulum dan pengalaman praktis dalam meningkatkan kesiapan kerja lulusan.]]>
Copyrights © 2025
