Klasifikasi Terhadap Prediksi Kelulusan Mahasiswa Dengan Menggunakan Metode Support Vector Machine (Svm)

Abstract

Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa tepat waktu adabanyak, kriteriayang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu faktordalam menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Maka dibutuhkan suatu modeluntuk melakukan kelasifikasi terhadap hasil prediksi tingkat kelulusan mahasiswa tepat waktu, denganmenggunakan dataset alumni yang datanya didapat dari beberapa kampus di Kota Palembang. Model yangdigunakan ini menggunakan Support Vector Machine (SVM) yang berfungsi sebagai salah satu model untukmelakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapaUniversitas atau Institusi yang ada di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasiadalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yangdiambil 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 yaituRapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kaliproses uji K-Fold Validation dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakanakurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan model Support VectorMachine (SVM) yang memiliki hasil akurasi sebesar 85.06%.

COMPARISON OF ALGORITHM BETWEEN CLASSIFICATION & REGRESSION TREES AND SUPPORT VECTOR MACHINE IN DETERMINING STUDENT ACCEPTANCE IN STATE UNIVERSITIES

“…Selanjutnya untuk proses klasifikasi akan digunakan perbandingan dua metode CART dengan SVM, yaitu untuk metode pertama menggunakan CART [13], metode kedua menggunakan SVM dengan menambahkan pemobobotan Gain Ratio. Untuk pengukuran performansi akan dibandingkan tingkat akurasi antara CART yang menggunakan pembobotan Gain Ratio dengan SVM tanpa menggunakan pembobotan Gain Ratio menggunakan Confusion Matrix [16].…”

“…Algoritma SVM yang berupa klasifikasi dengan cara membagi data menjadi dua kelas menggunakan garis vektor yang disebut hyperplane [16]. Pada permasalahan yang kompleks atau permasalahan dengan parameter yang banyak, metode ini sangat baik untuk digunakan.…”

“…Analisis Metode Decision Tree Dalam Memprediksi Kelulusan Mahasiswa" dengan nilai akurasi algoritma Algoritma Decesion Tree Mengeluarkan keputusan kelulusan mahasiswa tersebut lulus tepat waktu atau tidak lulus tepat waktunya [14]. Penelitian oleh [13], [16].…”

“…CART membuat pohon keputusan yang mudah ditafsirkan, sementara SVM membuat hyperplane yang dipartisi dalam bentuk fungsi keputusan. CART menggunakan penugasan berbasis aturan yang mempertimbangkan penugasan inkremental di setiap node, sementara SVM berusaha untuk penugasan yang optimal dengan memaksimalkan margin antar kelas [11], [16].…”

“…Ini membantu SVM untuk menangani masalah yang lebih kompleks dan bahkan data diskrit non-linear. Tentu saja, SVM cenderung kurang rentan terhadap outlier, karena berfokus pada menemukan hyperplane dengan amplitudo maksimum [16].…”