Prediksi Kemampuan Akademik Mahasiswa dengan Metode Support Vector Machine

Abstract

Indikator yang digunakan untuk mengukur keberhasilan pelaksanaan pendidikan di perguruan tinggi adalah kinerja/kemampuan akademik (academic performance) mahasiswa, yang dapat diukur dari prestasi akademik (academic achievement) mahasiswa yaitu berdasarkan capaian nilai (grade), yang di Indonesia disebut dengan IPK (Indeks Prestasi Kumulatif). Penelitian ini bertujuan untuk membuat sebuah pemodelan dengan menggunakan metode support vector machine untuk mengklasifikasikan dan memprediksi kemampuan akademik mahasiswa berdasarkan faktor demografi, multiple intelligence, dan learning style yang ia miliki.Metode support vector machine memiliki karakteristik khusus yaitu berusaha mencari hyperplane terbaik (maximal margin hyperplane) yang berfungsi sebagai pemisah dua buah class pada input space. Proses klasifikasi dilakukan dengan cara melakukan pembelajaran terhadap data training. Pada kenyataannya, dataset hampir selalu bersifat nonlinear, sehingga dalam proses pembelajaran data training memerlukan fungsi kernel. Hasil pembelajaran kemudian diujikan ke dalam data uji sehingga bisa menghasilkan nilai akurasi. Dalam penelitian ini digunakan fungsi kernel polynomial ordinal-2, dan hasil yang diperoleh menghasilkan nilai akurasi yang cukup tinggi yaitu 92.5% yang menunjukkan hubungan yang signifikan antara faktor demografi, multiple intelligence, dan learning style terhadap kemampuan akademik mahasiswa yang diklasifikasikan ke dalam dua kelas, potensial dan tidak potensial. Hasil lainnya menunjukkan bahwa di antara ketiga faktor tersebut, faktor multiple intelligence memiliki tingkat signifikansi tertinggi terhadap kemampuan mahasiswa
 
 Kata Kunci: support vector machine, demografi, multiple intelligence, learning style, fungsi kernel

Analisis Teknikal Saham Energi Menggunakan Indikator Macd Dan Indikator Rsi Pada Indeks Lq45

“…Meskipun indikator teknikal tidak akan pernah 100 persen akurat, karena Data masa lalu hanya diperiksa oleh mereka untuk meramalkan pergerakan harga yang akan datang, namun tentu saja hal tersebut bermanfaat (Qian, 2021). Berdasarkan temuan penelitian sebelumnya dan pendapat yang ada, fokus penelitian (Haanurat et al, 2022;Nasih & Ridloah, 2021;Bramanthya, 2020;Santoso & Sukamulja, 2020;Martia & Yasmine, 2021;Khairudin et al, 2022;Suryanto, 2021;Nugroho et al, 2023)…”

Kontribusi Keluarga Dalam Prediksi Mahasiswa Lulus Tepat Waktu Menggunakan Model Support Vector Machine

“…SVM juga dipakai oleh (Novianto et al, 2024) dalam memprediksi penerima beasiswa yang menghasilkan akurasi sebesar 85.84%, dengan menggunakan kernel linear memberikan akurasi terbaik 84,37% untuk dataset yang dipilih (Pande, 2023). Selain itu implementasi SVM juga digunakan dalam meramalkan kemampuan akademik mahasiswa dalam mengklasifikasikan dua kelas potensial dan tidak potensial (Nugroho et al, 2023).…”

“…Data mining adalah langkah-langkah yang dilakukan untuk menggali informasi dari sumber data besar, sering kali dalam bentuk gudang basis data. Proses ini menghasilkan pemahaman baru yang berguna untuk pengambilan keputusan, dengan menganalisis data dalam skala yang besar (Nugroho et al, 2023). Data dikumpulkan dari mahasiswa yang lulus tahun 2023 pada Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta sebanyak 365 data dan memiliki 10 fitur dan 1 class sebagai target prediksi dimana 0 dalah tidak peta waktu dan 1 adalah lulus tepat waktu.…”

The relationship between academic procrastination, academic stress, and life happiness of Mahmud Yunus Batusangkar State Islamic University students

“…The academic abilities obtained can affect and increase the happiness of students' lives. However, the actual happiness factor for student life is when the academic process can be completed properly (Nugroho et al, 2023). Based on the above statement, it can be concluded that academic ability affects student life satisfaction.…”