Prediksi Kelulusan Mahasiswa Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization

Penulis

  • Iddrus Aljufri Institut Sains Dan Teknologi Terpadu Surabaya
  • Hartarto Junaedi Institut Sains Dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.21067/smartics.v8i1.6879

Abstrak

Salah satu kriteria grade akreditasi yang baik yang harus terpenuhi adalah tingkat kelulusan tepat waktu mahasiswa. Ketepatan waktu mahasiswa masih menjadi masalah krusial dibeberapa perguruan tinggi di Indonesia. Banyak faktor yang menyebabkan mahasiswa gagal menyelesaikan studinya dengan tepat waktu. Data mahasiswa yang dimiliki universitas dapat diolah menggunakan teknik data mining sehingga menjadi informasi yang berguna untuk masalah kelulusan ini. Berdasarkan masalah tersebut maka dilakukan penelitian untuk memprediksi kelulusan mahasiswa menggunakan model algoritma Support Vector Machine (SVM) dan model penggabungan algoritma Support Vector Machine berbasis Particle Swarm Optimization (SVM+PSO). Hasil ujicoba yang didapatkan pada penelitian ini yaitu Akurasi Model SVM Kernel Linier sebesar 95,91 %, Akurasi Model SVM Kernel RBF sebesar 95,91 % dan Akurasi Model SVM Kernel Polynominal sebesar 96,20 %. Sedangkan Model Penggabungan SVM+PSO mampu meningkatkan hasil akurasi pada kernel Linier menjadi 96,12 % (+ 0.21) dan Kernel RBF menjadi 96,24 % (+ 0.33), namun mengalami penurunan nilai akurasi pada kernel Polynominal menjadi 96,12 % (-0.08).

Unduhan

Diterbitkan

2022-04-10

Cara Mengutip

[1]
I. Aljufri dan H. Junaedi, “Prediksi Kelulusan Mahasiswa Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization”, SMARTICS, vol. 8, no. 1, hlm. 1–7, Apr 2022.