Penerapan Metode Support Vector Machine Untuk Memprediksi Kelulusan Tepat Waktu
Abstract
Timely graduation is a key indicator of student academic success in higher education. This study develops a predictive model for on-time student graduation at Universitas Sepuluh Nopember Papua using the Support Vector Machine (SVM) method with a linear kernel. The model examines the influence of academic performance and student status as Indigenous Papuans (OAP) or non-OAP in predicting graduation probability. Model evaluation was conducted using Confusion Matrix, ROC Curve, and Cross-Validation, demonstrating that the model achieved high accuracy of 92% in the initial testing phase, increasing to 97% after cross-validation. The evaluation also showed a Precision of 90%, Recall of 100%, and F1-Score of 95%, confirming the model’s effectiveness in distinguishing students at risk of delayed graduation. With its high predictive accuracy, this model can serve as a data-driven academic decision-making tool to identify at-risk students and implement more targeted academic interventions to improve timely graduation rates.
Keywords: graduation prediction; model evaluation; machine learning; Support Vector Machine.
Abstrak
Kelulusan tepat waktu menjadi indikator utama keberhasilan akademik mahasiswa di perguruan tinggi. Penelitian ini mengembangkan model prediksi kelulusan tepat waktu mahasiswa Universitas Sepuluh Nopember Papua menggunakan metode Support Vector Machine (SVM) dengan kernel linier. Model ini menganalisis pengaruh kinerja akademik dan status mahasiswa sebagai Orang Asli Papua (OAP) atau non-OAP dalam menentukan probabilitas kelulusan tepat waktu. Evaluasi model dilakukan menggunakan Confusion Matrix, ROC Curve, dan Cross-Validation, yang menunjukkan bahwa model memiliki akurasi tinggi sebesar 92% pada tahap pengujian awal dan meningkat menjadi 97% setelah validasi silang. Hasil pengujian juga menunjukkan nilai Precision 90%, Recall 100%, dan F1-Score 95%, yang menegaskan efektivitas model dalam membedakan mahasiswa yang berisiko mengalami keterlambatan kelulusan. Dengan tingkat akurasi yang tinggi, model ini dapat digunakan sebagai alat bantu akademik berbasis data untuk mengidentifikasi mahasiswa berisiko dan menerapkan intervensi akademik yang lebih tepat sasaran guna meningkatkan tingkat kelulusan tepat waktu.
Kata kunci: Prediksi kelulusan; Evaluasi model; Machine learning; Support Vector MachineReferences
D. Marcelina, F. Aziz, and Y. Manoppo, “Sistem Pendukung Keputusan Memprediksi Kelulusan Mahasiswa Informatika Menggunakan Metode Simple Additive Weighting,” J. Inf. dan Teknol., vol. 5, no. 4, pp. 73–77, 2023, doi: 10.60083/jidt.v5i4.420.
F. Irhamna Rachman, S. Mujadilah, T. Wahyuni, and L. Anas, “Prediksi Tingkat Kelulusan Menggunakan K-Means Pada Program Studi Informatika Unismuh Makassar,” J. Fasilkom, vol. 13, no. 3, pp. 504–510, 2023, doi: 10.37859/jf.v13i3.6061.
S. Andriani, A. Nazir, R. M. Candra, F. Syafria, and I. Afrianty, “Implementasi Algoritma K-Nearest Neighbor Untuk Menentukan Klasifikasi Kelulusan Mahasiswa Teknik Informatika,” J. Comput. Syst. Informatics, vol. 4, no. 4, pp. 922–930, 2023, doi: 10.47065/josyc.v4i4.3914.
A. Fatkhudin, M. Y. Febrianto, F. A. Artanto, M. W. N. Hadinata, and R. Fahlevi, “Algoritma Decision Tree C.45 Dalam Analisa Kelulusan Mahasiswa Program Studi Manajemen Informatika Umpp,” J. Ilm. Ilmu Komput., vol. 8, no. 2, pp. 83–86, 2022, doi: 10.35329/jiik.v8i2.240.
A. Rahmayanti, L. Rusdiana, and S. Suratno, “Perbandingan Metode Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Kelulusan Mahasiswa,” Walisongo J. Inf. Technol., vol. 4, no. 1, pp. 11–22, 2022, doi: 10.21580/wjit.2022.4.1.9654.
A. Khaerunnisa, “Analisis Tingkat Kelulusan Mahasiswa di Unisba dengan menggunakan Algoritma K-Means Clustering,” J. Ris. Mat., pp. 67–76, 2022, doi: 10.29313/jrm.v2i1.1018.
R. Rudianto, R. Kania, and T. I. Solihati, “Prediksi Kelulusan Mahasiswa Teknik Informatika Universitas Banten Jaya Menggunakan Algoritma Neural Network,” J. Sist. Inf. dan Inform., vol. 5, no. 2, pp. 193–200, 2022, doi: 10.47080/simika.v5i2.2123.
K. Suhada, A. Elanda, and A. Aziz, “Klasifikasi Predikat Tingkat Kelulusan Mahasiswa Program Studi Teknik Informatika dengan Menggunakan Algoritma C4.5 (Studi Kasus: STMIK Rosma Karawang),” Dirgamaya J. Manaj. dan Sist. Inf., vol. 1, no. 2, pp. 14–27, 2021, doi: 10.35969/dirgamaya.v1i2.182.
A. Gadi Ana Amas, G. Kopong Pati, F. Ema Ose Sanga, T. Informatika, and S. Stella Maris Sumba, “JESCE (Journal of Electrical and System Control Engineering) Penerapan K-Optimal Pada Algoritma KNN Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Teknik Informatika Application of K-Optimal in the KNN Algorithm to Predict Timely Graduation ,” Jesce, vol. 7, no. 2, pp. 92–97, 2024, doi: 10.31289/jesce.v6i2.10536.
N. M. A. Mahar, Vihi Atina, and Nugroho Arif Sudibyo, “Pemodelan Prediksi Kelulusan Mahasiswa Dengan Metode Naïve Bayes Di Uniba,” J. Manaj. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 148–158, 2023, doi: 10.36595/misi.v6i2.875.
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.
Satrio Junaidi, R. Valicia Anggela, and D. Kariman, “Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes, Random Forest, Support Vector Machine (SVM) dan Artificial Neural Nerwork (ANN),” J. Appl. Comput. Sci. Technol., vol. 5, no. 1, pp. 109–119, 2024, doi: 10.52158/jacost.v5i1.489.
M Riski Qisthiano, “Klasifikasi Terhadap Prediksi Kelulusan Mahasiswa Dengan Menggunakan Metode Support Vector Machine (Svm),” Semin. Nas. Teknol. dan Multidisiplin Ilmu, vol. 2, no. 2, pp. 203–207, 2022, doi: 10.51903/semnastekmu.v2i1.170.
W. Wijiyanto and S. Sopingi, “Kontribusi Keluarga Dalam Prediksi Mahasiswa Lulus Tepat Waktu Menggunakan Model Support Vector Machine,” DutaCom, vol. 17, no. 1, pp. 25–36, 2023, doi: 10.47701/dutacom.v17i1.3784.
A. Nurhidayat, A. Asmunin, and D. F. Suyatno, “Prediksi Kinerja Akademik Mahasiswa Menggunakan Machine Learning dengan Sequential Minimal Optimization untuk Pengelola Program Studi,” J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 84–91, 2021, doi: 10.26740/jieet.v5n2.p84-91.
A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
B. I. Nugroho, N. A. Santoso, and A. A. Murtopo, “Prediksi Kemampuan Akademik Mahasiswa dengan Metode Support Vector Machine,” Remik, vol. 7, no. 1, pp. 177–188, 2023, doi: 10.33395/remik.v7i1.12010.
M. F. Nasrullah, R. R. Saedudin, and F. Hamami, “Perbandingan Akurasi Algoritma C4.5 Dan K-Nearest Neighbors Untuk Klasifikasi Curah Hujan Berdasarkan Iklim Indonesia,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 2, pp. 628–638, May 2024, doi: 10.29100/JIPI.V9I2.4655.
W. A. Naseer, S. Sarwido, and B. B. Wahono, “Gradient Boosting Optimization With Pruning Technique For Prediction Of Bmt Al-Hikmah Permata Customer Data,” J. Inform. Teknol. dan Sains, vol. 6, no. 3, pp. 719–727, Aug. 2024, doi: 10.51401/JINTEKS.V6I3.4702.
R. Indransyah, Y. H. Chrisnanto, P. N. Sabrina, and S. Kom, “Klasifikasi Sentimen Pergelaran Motogp Di Indonesia Menggunakan Algoritma Correlated Naïve Bayes Clasifier,” INFOTECH J., vol. 8, no. 2, pp. 60–66, Oct. 2022, doi: 10.31949/INFOTECH.V8I2.3103.
Y. A. Singgalen, “Analisis Performa Algoritma NBC, DT, SVM dalam Klasifikasi Data Ulasan Pengunjung Candi Borobudur Berbasis CRISP-DM,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1634−1646-1634−1646, Dec. 2022, doi: 10.47065/BITS.V4I3.2766.
W. Wijiyanto, A. I. Pradana, S. Sopingi, and V. Atina, “Teknik K-Fold Cross Validation untuk Mengevaluasi Kinerja Mahasiswa,” J. Algoritm., vol. 21, no. 1, May 2024, doi: 10.33364/algoritma/v.21-1.1618.
How To Cite This :
Refbacks
- There are currently no refbacks.
