Kontribusi Keluarga Dalam Prediksi Mahasiswa Lulus Tepat Waktu Menggunakan Model Support Vector Machine
DOI:
https://doi.org/10.47701/dutacom.v17i1.3784Keywords:
Accuracy, Precision, Prediksi, Recall, SVMAbstract
Keluarga mempunyai peranan penting terhadap keberhasilan anggotanya yang menempuh perkuliahan di kampus dalam rangka dapat menyelesaikan pendidikan secara tepat waktu. Kontribusi data keluarga ini perlu untuk di tindaklanjuti lebih mendalam lagi dalam rangka untuk mengetahui seberapa besar pengaruhnya terhadap prediksi yang dilakukan. Data yang digunakan berasal dari lulusan mahasiswa tahun 2023 sebanyak 365 record, data dipisah untuk pelatihan dan pengujian dengan perbandingan 50%. Selanjutnya data pelatihan diinputkan ke dalam tahap pelatihan menggunakan model support vector machine (SVM) menggunakan kernel “linier”. Setelah model terbentuk data pengujian dimasukkan ke dalam tahap pengujian yang evaluasinya menggunakan confusion matrix untuk memperoleh nilai akurasinya. Dari hasil evaluasi yang dilakukan diperoleh nilai accuracy sebesar 0.86, nilai precision sebesar 0.86, nilai recall sebesar 0.99 dan nilai F1-score sebesar 0.92. hasil evaluasi menunjukkan bahwa model SVM mempunyai keakuratan yang baik sehingga, Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta dapat menerapkanya dalam meramalkan apakah seorang mahasiswa akan lulus tepat waktu atau tidak, sehingga memungkinkan untuk melakukan antisipasi yang lebih tepat.
References
Amelia, O. D., Soleh, A. M., & Rahardiantoro, S. (2018). Pemodelan Support Vector Machine Data Tidak Seimbang Keberhasilan Studi Mahasiswa Magister IPB. Xplore: Journal of Statistics, 2(1), 33–40. https://doi.org/10.29244/xplore.v2i1.76
Bangun, O., Mawengkang, H., & Efendi, S. (2022). Metode Algoritma Support Vector Machine (SVM) Linier Dalam Memprediksi Kelulusan Mahasiswa. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(4), 2006. https://doi.org/10.30865/mib.v6i4.4572
Darmawan, A., Yudhisari, I., Anwari, A., & Makruf, M. (2023). Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest. Jurnal Minfo Polgan, 12(1), 387–400. https://doi.org/10.33395/jmp.v12i1.12388
Haryatmi, E., & Pramita Hervianti, S. (2021). Penerapan Algoritma Support Vector Machine Untuk Model Prediksi Kelulusan Mahasiswa Tepat Waktu. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(2), 386–392. https://doi.org/10.29207/resti.v5i2.3007
Junaedi, H. (2022). Prediksi Kelulusan Mahasiswa Menggunakan Support Vector Machine Berbasi Particle Swarm Optimization. SMARTICS Journal, 8(1), 1–7. https://doi.org/10.21067/smartics.v8i1.6879
Mailana, A., Putra, A. A., Hidayat, S., & Wibowo, A. (2021). Comparison of C4.5 Algorithm and Support Vector Machine in Predicting the Student Graduation Timeliness. Jurnal Online Informatika, 6(1), 11. https://doi.org/10.15575/join.v6i1.608
Masood, S. W., & Begum, S. A. (2022). Comparison of Resampling Techniques for Imbalanced Datasets in Student Dropout Prediction. 2022 IEEE Silchar Subsection Conference (SILCON), 1–7. https://doi.org/10.1109/SILCON55242.2022.10028915
Nasution, N. B., Hartanto, D., Silitonga, D. J., Lasimin, & Mardhiyana, D. (2023). Prediksi Lama Studi dan Predikat Kelulusan Mahasiswa Menggunakan Algoritma Supervised Learning. G-Tech: Jurnal Teknologi Terapan, 7(2), 386–395. https://doi.org/10.33379/gtech.v7i2.2077
Novianto, E., Hermawan, A., & Avianto, D. (2024). Perbandingan Metode K-Nearest Neighbor dan Support Vector Machine Untuk Memprediksi Penerima Beasiswa Keringanan UKT. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), Page 654-662. http://dx.doi.org/10.30865/mib.v8i1.6913
Nugroho, B. I., Santoso, N. A., & Murtopo, A. A. (2023). Prediksi Kemampuan Akademik Mahasiswa dengan Metode Support Vector Machine. remik, 7(1), 177–188. https://doi.org/10.33395/remik.v7i1.12010
Pande, S. M. (2023). Machine Learning Models for Student Performance Prediction. 2023 International Conference on Innovative Data Communication Technologies and Application (ICIDCA), 27–32. https://doi.org/10.1109/ICIDCA56705.2023.10099503
Rolansa, F., Yunita, Y., & Suheri, S. (2020). Sistem prediksi dan evaluasi prestasi akademik mahasiswa di Program Studi Teknik Informatika menggunakan data mining. Jurnal Pendidikan Informatika Dan Sains, 9(1), 75. https://doi.org/10.31571/saintek.v9i1.1696
Sutoyo, E., & Almaarif, A. (2020). Educational Data Mining for Predicting Student Graduation Using the Naïve Bayes Classifier Algorithm. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(1), 95–101. https://doi.org/10.29207/resti.v4i1.1502
Utami, D. Y., Nurlelah, E., & Hasan, F. N. (2021). Comparison of Neural Network Algorithms, Naive Bayes and Logistic Regression to predict diabetes. JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING, 5(1), 53–64. https://doi.org/10.31289/jite.v5i1.5201
Wiyono, S., & Abidin, T. (2018). Perbandingan Algoritma Machine Learning SVM dan Decision Tree untuk Prediksi Keaktifan Mahasiswa. Sinkron, 3(1), 105–108.
