Model regresi logistik merupakan salah satu model yang termasuk dalam kategori klasifikasi pada data mining. Model regresi logistik memiliki kelemahan, yaitu apabila terdapat data yang memiliki ketidakseimbangan kelas dapat meningkatkan resiko model melakukan kesalahan klasifikasi. Algoritme stochastic weight averaging (SWA) merupakan salah satu pendekatan algoritmik yang dapat mengurangi kesalahan klasifikasi.
Penelitian ini memiliki tujuan untuk mengetahui performa algoritme SWA pada model regresi logistik dalam menangani ketidakseimbangan kelas pada data. Penelitian menggunakan data graduate admission yang berisi tentang formular aplikasi dalam program masuk universitas pada program master. Data kemudian dibersihkan dan dibagi menjadi data latih dan data uji. Proses selanjutnya adalah menentukan parameter awal model regresi logistik, melakukan training pada data latih, dan evaluasi model. Langkah berikutnya menentukan parameter awal algoritme SWA pada model regresi logistik, melakukan training pada data latih, dan evaluasi model. Setelah itu dilakukan uji beda T dan uji Hosmer-Lemeshow.
Berdasarkan hasil penelitian ditemukan bahwa penerapan algoritme SWA pada model regresi logistik untuk menanggani ketidakseimbangan kelas berhasil membantu meningkatkan performa model. Berdasarkan perbandingan kriteria penilaian diperoleh bahwa pada specificity model regresi logistik memiliki performa yang paling tinggi dengan nilai performa sebesar 1, sensitivity algoritme SWA dengan constant learning rate memiliki performa yang paling tinggi dengan nilai 0.78, dan akurasi keseimbangan algoritme SWA dengan constant learning rate memiliki performa yang paling tinggi sebesar 0.86. Pada uji beda T ditemukan bahwa terdapat perbedaan yang signifikan antara hasil dari model regresi logistic dan algoritme SWA dengan constant learning rate. Pada uji Hosmer-Lemeshow diketahui bahwa model regresi logistik tidak memiliki kecocokan terhadap data dan algoritme SWA baik dengan constant learning rate maupun algoritme SWA dengan cyclical learning rate memiliki kecocokan terhadap data.
