KLASIFIKASI TERHADAP PREDIKSI KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)
Abstract
Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa tepat waktu adabanyak, kriteria
yang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu faktor
dalam menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Maka dibutuhkan suatu model
untuk melakukan kelasifikasi terhadap hasil prediksi tingkat kelulusan mahasiswa tepat waktu, dengan
menggunakan dataset alumni yang datanya didapat dari beberapa kampus di Kota Palembang. Model yang
digunakan ini menggunakan Support Vector Machine (SVM) yang berfungsi sebagai salah satu model untuk
melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapa
Universitas atau Institusi yang ada di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasi
adalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yang
diambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk.
Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaitu
Rapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kali
proses uji K-Fold Validation dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakan
akurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan model Support Vector
Machine (SVM) yang memiliki hasil akurasi sebesar 85.06%.
References
Artificial Neural Network,” J. Ilm. MATRIK, vol. 20, no. 1, pp. 21–30, 2018.
[2] A. Pratama, R. C. Wihandika, and D. E. Ratnawati, “Implementasi algoritme support vector machine (SVM)
untuk prediksi ketepatan waktu kelulusan mahasiswa,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2,
no. April, pp. 1704–1708, 2018.
[3] Suhardjono, W. Ganda, and H. Abdul, “Prediksi Waktu Kelulusan Mahasiswa Menggunakan SVM Berbasis
PSO,” Bianglala Inform., vol. 7, no. 2, pp. 97–101, 2019.
[4] E. Haryatmi and S. Pramita Hervianti, “Penerapan Algoritma Support Vector Machine Untuk Model
Prediksi Kelulusan Mahasiswa Tepat Waktu,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no.
2, pp. 386–392, 2021, doi: 10.29207/resti.v5i2.3007.
[5] A. Budianto, R. Ariyuana, and D. Maryono, “Perbandingan K-Nearest Neighbor (Knn) Dan Support Vector
Machine (Svm) Dalam Pengenalan Karakter Plat Kendaraan Bermotor,” J. Ilm. Pendidik. Tek. dan Kejuru.,
vol. 11, no. 1, p. 27, 2019, doi: 10.20961/jiptek.v11i1.18018.
[6] O. Bangun, H. Mawengkang, and S. Efendi, “Metode Algoritma Support Vector Machine ( SVM ) Linier
Dalam Memprediksi Kelulusan Mahasiswa,” vol. 6, pp. 2006–2013, 2022, doi: 10.30865/mib.v6i4.4572.
[7] D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik
Berbahasa Indonesia Di Twitter,” J. Tekno Kompak, vol. 14, no. 2, p. 86, 2020, doi: 10.33365/jtk.v14i2.792.
[8] P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi dengan Pohon Keputusan Berbasis
Algoritme C4.5,” in PRISMA (Prosiding Seminar Nasional Matematika), 2020, vol. 3.
[9] H. Prasetyo and W. Sutopo, “Perkembangan Keilmuan Teknik Industri Menuju Era,” Semin. dan Konf. Nas.
IDEC 2017, pp. 488–496, 2017, [Online]. Available: https://idec.ft.uns.ac.id/wpcontent/
uploads/2017/11/Prosiding2017_ID069.pdf
[10] D. Aprilia, D. Aji Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining Dengan Rapid
Minner. 2013. [Online]. Available:
https://www.academia.edu/7712860/Belajar_Data_Mining_dengan_Rapidminer
[11] A. Rahman Isnain, A. Indra Sakti, D. Alita, and N. Satya Marga, “Sentimen Analisis Publik Terhadap
Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma SVM,” Jdmsi, vol. 2, no. 1, pp. 31–37,
2021, [Online]. Available: https://t.co/NfhnfMjtXw
