Implementasi Analisis Diskriminan dan Regresi Logistik Multinomial pada Dataset Student Dropout and Academic Success

Abstract

Penelitian ini membandingkan Linear Discriminant Analysis (LDA) dan Regresi Logistik Multinomial (RLM) dalam mengklasifikasikan hasil akademik 4.424 mahasiswa (Enrolled, Graduate, Dropout) dari sebuah perguruan tinggi di Portugal. Setelah memverifikasi seluruh asumsi yang diperlukan, LDA menggunakan 6 prediktor numerik, sedangkan RLM juga menyertakan 4 prediktor biner. LDA mencapai akurasi 65,03% dengan recall Graduate yang tinggi (94,43%), namun gagal sepenuhnya dalam mengklasifikasikan kelas Enrolled. RLM mencapai akurasi 69,39% dengan recall Dropout yang jauh lebih baik (69,81% berbanding 55,67%). Prediktor terkuat dalam RLM adalah status pembayaran uang kuliah (−41,29 pp pada Dropout; +34,80 pp pada Graduate). RLM mengungguli LDA pada hampir seluruh metrik, terutama karena kemampuannya mengintegrasikan prediktor biner finansial.