Prediksi Mahasiswa Mengundurkan Diri Menggunakan Metode Support Vector Machine
Abstract
Abstrak — Tingkat keberhasilan mahasiswa adalah salah satu cara untuk mengukur kualitas dari sebuah perguruan tinggi, dan salah satu masalah yang sering menyebabkan mahasiswa gagal adalah berhenti kuliah. Dari data yang diperoleh 8.483.213 mahasiswa terdaftar pada tahun 2020, 602.208 mahasiswa berhenti kuliah yang berasal dari perguruan tinggi swasta. Telkom University sebagai salah satu perguruan tinggi swasta akan dilakukan penelitian untuk memprediksi mahasiswa yang berhenti kuliah, terutama pada program studi S1 Sistem Informasi. Karena pada Telkom University berhenti kuliah dikategorikan sebagai mengundurkan diri, maka penelitian ini dilakukan untuk memprediksi mahasiswa mengundurkan diri atau tidak. Mengundurkan diri pada program studi S1 Sistem Informasi merupakan salah satu key peformance indicator yang nilainya harus dapat ditekan, oleh karena itu menggunakan machine learning dengan metode SVM dapat menyelesaikan permasalahan pada penelitian ini. Pada penelitian ini menunjukkan bahwa model SVM mendapatkan akurasi tinggi sebesar 98,30% sebelum dilakukan metode oversampling dengan SMOTE, namun menurun menjadi 92,34% setelah penerapan metode oversampling dengan SMOTE untuk mengatasi ketidakseimbangan data. Meskipun akurasinya menurun, tetapi dari nilai recall, precision, serta F1-Score meningkat yang mengindikasikan SVM setelah dilakukan oversampling lebih baik dalam mengklasifikasikan mahasiswa yang mengundurkan diri. Dengan akurasi yang tinggi, maka metode SVM terbukti efektif dalam memprediksi mahasiswa yang terindikasi mengundurkan diri atau tidak.
Kata Kunci - SVM, Machine Learning, Mahasiswa Mengundurkan Diri, Prediksi, CRISP-DM
References
[1] S. Nurhayati dan E. T. Luthfi, .Prediksi Mahasiswa Drop Out Menggunakan Metode Support Vector Machine,= Sisfotenika, vol. 5, no. 1, hlm. 82–93, 2015.
[2] S. D. Purba, L. Harahap, dan J. F. R. Panggabean,.Prediction of Students Drop Out with Support Vector Machine Algorithm,= Jurnal Mantik, vol. 6, no. 1, hlm. 582–586, 2022.
[3] V. Nasteski, .An overview of the supervised machine learning methods,= Horizons. b, vol. 4, no. 51–62, hlm. 56, 2017.
[4] S. Neelamegam dan E. Ramaraj, .Classification algorithm in data mining: An overview,= International Journal of P2P Network Trends and Technology (IJPTT), vol. 4, no. 8, hlm. 369–374, 2013.
[5] A. S. Nugroho, .Pengantar support vector machine,= J. Data Mining, Jakarta, hlm. 3, 2007.
[6] A. Patle dan D. S. Chouhan, .SVM kernel functions for classification,= dalam 2013 International Conference on Advances in Technology and Engineering (ICATE), 2013, hlm. 1–9. doi: 10.1109/ICAdTE.2013.6524743.
[7] A. Rosales-Pérez, H. J. Escalante, J. A. Gonzalez, C. A. Reyes-Garcia, dan C. A. Coello Coello, .Bias and Variance Multi-objective Optimization for Support Vector Machines Model Selection,= dalam Pattern Recognition and Image Analysis, J. M. Sanches, L. Micó, dan J. S. Cardoso, Ed., Berlin, Heidelberg: Springer Berlin Heidelberg, 2013, hlm. 108–116.
[8] M. Fajri dan A. Primajaya, .Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search,= Journal of Applied Informatics and Computing, vol. 7, no. 1, Jul 2023, doi: 10.30871/jaic.v7i1.5004.
[9] C. Kim dan H. Kim, .A Hybrid Deep Q-Network for the SVM Lagrangian,= dalam Information Science and Applications 2018, K. J. Kim dan N. Baek, Ed., Singapore: Springer Singapore, 2019, hlm. 643–651.
[10] I. Syarif, A. Prugel-Bennett, dan G. Wills, .SVM parameter optimization using grid search and genetic algorithm to improve classification performance,= TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 14, no. 4, hlm. 1502–1509, 2016.
[11] C. Schröer, F. Kruse, dan J. M. Gómez, .A Systematic Literature Review on Applying CRISP-
