Klasifikasi Faktor-Faktor Kelulusan Mata Kuliah Mahasiswa Program Studi Sarjana Dengan Menggunakan Metode Support Vector Machine.

Roshifa, Iffah Wahyu (2022) Klasifikasi Faktor-Faktor Kelulusan Mata Kuliah Mahasiswa Program Studi Sarjana Dengan Menggunakan Metode Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000018-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kelulusan di suatu mata kuliah dengan nilai yang baik merupakan hal yang penting bagi seorang mahasiswa. Kendati demikian, semakin tinggi tingkat pendidikan yang sedang ditempuh pasti semakin sulit pula untuk lulus. Tidak sedikit mahasiswa program studi sarjana yang gagal lulus suatu mata kuliah di perguruan tinggi. Ada berbagai faktor yang berpengaruh, mulai dari jurusan mahasiswa, IPK, SKS kumulatif, hingga jenis kelamin. Penelitian Tugas Akhir ini akan menggunakan metode Support Vector Machine (SVM) untuk membuat model terbaik dalam mengklasifikasi dan memprediksi kelulusan mata kuliah mahasiswa. Dengan begitu mahasiswa yang terprediksi tidak lulus dapat diberi treatment untuk menaikkan kemungkinan kelulusannya. Penelitian ini menggunakan data akademik mahasiswa sarjana sejumlah 492 data dengan menguji beberapa skenario parameter SVM yaitu kernel, C dan gamma. Pelatihan dan pengujian sistem dilakukan dengan metode 10-fold Cross Validation yang kemudian memberikan output berupa sebuah confusion matrix untuk menghitung hasil akurasi, presisi dan recall. Hasil penelitian ini menunjukkan bahwa algoritma SVM yang memberikan hasil paling optimal terjadi pada kernel polynomial dengan C 10 dan gamma auto. Pengujian mendapatkan akurasi 88,82%, dengan TN (jumlah benar untuk mahasiswa tidak lulus) sebanyak 234 mahasiswa dan FN (jumlah salah untuk mahasiswa lulus) sebanyak 43 mahasiswa.
=================================================================================================================================
Graduating a course with good grades is important for a university student. However, the higher the level of education, the more difficult it is to graduate. Not a few students of undergraduate study programs who fail to pass a course in college. There are various influencing factors, ranging from student majors, GPA, credits, to gender. This Final Project will use the Support Vector Machine (SVM) method to create the best model in classifying and predicting a student course graduation. That way, students who are predicted to fail can be given treatment to increase their graduation probability. This study used 492 academic data by testing several scenarios of SVM parameters, namely kernel, C and gamma. The training and testing of the system will be carried out using the 10-fold Cross Validation method which then gave an output in the form of a confusion matrix to calculate the accuracy, precision and recall of each parameters. The results of this study indicate that the SVM algorithm that gives the most optimal results occurs in polynomial kernel with C 10 and gamma auto. With an accuracy of 88.82%, and TN (correct number for students who do not pass) as many as 234 students and FN (wrong number for graduating students) as many as 43 students.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.31 Ros k-1 2022
Uncontrolled Keywords:	Mata Kuliah, Prediksi, Klasifikasi, SVM, Support Vector Machine, Parameter Terbaik. Courses, Prediction, Classification, SVM, Support Vector Machine, Best Parameter.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	25 May 2026 03:16
Last Modified:	25 May 2026 03:16
URI:	http://repository.its.ac.id/id/eprint/133385

Actions (login required)

View Item