Prediksi Performa Akademik Mahasiswa Menggunakan Support Vector Machine (SVM) pada RapidMiner
Keywords:
Performa Akademik Mahasiswa, RapidMiner, Support Vector MachineAbstract
Prediksi performa akademik mahasiswa merupakan aspek penting dalam mendukung pengambilan keputusan berbasis data di perguruan tinggi. Identifikasi dini terhadap capaian akademik mahasiswa memungkinkan institusi pendidikan memberikan pendampingan dan intervensi akademik yang tepat. Penelitian ini bertujuan untuk memprediksi performa akademik mahasiswa menggunakan pendekatan machine learning dengan menerapkan algoritma Support Vector Machine (SVM) yang diimplementasikan pada RapidMiner. Dataset yang digunakan mencakup atribut personal mahasiswa, latar belakang keluarga, serta kebiasaan belajar sebagai variabel input, sedangkan nilai akhir mata kuliah digunakan sebagai variabel output. Metodologi penelitian meliputi tahap praproses data, pelatihan model, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model SVM menghasilkan nilai Root Mean Squared Error (RMSE) sebesar 3.217 ± 0.725 dengan micro average RMSE sebesar 3.296 ± 0.000, yang mengindikasikan performa prediksi yang stabil dan cukup baik. Pembahasan menunjukkan bahwa kebiasaan belajar dan faktor pendukung lainnya memiliki pengaruh yang signifikan terhadap performa akademik mahasiswa. Kesimpulan penelitian ini menyatakan bahwa penerapan algoritma Support Vector Machine pada RapidMiner efektif untuk memprediksi performa akademik mahasiswa serta memberikan dampak positif dalam pemantauan akademik dan perencanaan kebijakan pendidikan
References
Ali, A., Amer, S., Tayeh, A., & Raslan, N. E. (2024). Predictive Model for Student ’ s Academic. July.
Azis, A. R. (2025). Analisis Komparasi Algoritma Machine Learning dalam Prediksi Performa Akademik Mahasiswa: Literature Review. Jurnal Ilmu Komputer Dan Informatika, 4(2), 143–148. https://doi.org/10.54082/jiki.212
Bisri, A., Supardi, Heryatun, Y., Hunainah, & Navira, A. (2025). Educational data mining model using support vector machine for student academic performance evaluation. Journal of Education and Learning, 19(1), 478–486. https://doi.org/10.11591/edulearn.v19i1.21609
Budi Kurniawan, F., & Farokhah, L. (2025). Aplikasi Cerdas Prediksi Kelulusan Mahasiswa Berbasis Website Menggunakan Metode Support Vector Machine (SVM). Jurnal Fasilkom, 15(1), 155–162. https://doi.org/10.37859/jf.v15i1.8767
Dika, S., & Ayu, L. (2024). Prediksi Kinerja Calon Mahasiswa Berdasarkan Nilai Seleksi Masuk Menggunakan Pendekatan Machine Learning. Jurnal Ilmiah Komputasi, 23(2), 155–166. https://doi.org/10.32409/jikstik.23.2.3589
Gufroni, A. I., Purwanto, P., & Farikhin, F. (2025). Academic Performance Prediction Using Supervised Learning Algorithms in University Admission. International Journal on Informatics Visualization, 9(1), 184–194. https://doi.org/10.62527/joiv.9.1.2974
Mohamed Yusoff, S. A., Othman, J., Mohd Mydin, A., Wan Mohamad, W. A., Johan, E. J., & Mohamed Yusoff, A. F. (2024). Students’ Academic Performance: Prediction using Machine Learning Approaches. International Journal of Academic Research in Progressive Education and Development, 13(3), 39–49. https://doi.org/10.6007/ijarped/v13-i3/22164
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
Orme Mhamad Amin, N. A. A. (2023). The Scientific Journal of Cihan University – Sulaimaniya. The Scientific Journal of Cihan University – Sulaimaniya, 6(1), 145–156.
Pratiwi, H., Sa’ad, M. I., & Salmon. (2025). Strategi Manajemen Pendidikan Berbasis Machine Learning untuk Prediksi Prestasi Siswa. Borneo Educational Management and Research Journal, 6(1), 21–30. https://jurnal.fkip.unmul.ac.id/index.php/bedu/article/view/5016%0Ahttps://jurnal.fkip.unmul.ac.id/index.php/bedu/article/download/5016/1989
Widarta, A. E. W., Luthfi, A., & Kusuma Dewa, C. (2024). Prediction of Student Performance Based on Behavior using E-Learning During the Covid-19 Pandemic using Support Vector Machine. Sinkron, 9(1), 332–345. https://doi.org/10.33395/sinkron.v9i1.12857
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Muhammad Hanif Fathurahman, Hasbi Firmansyah, Wahyu Asriyani, Eko Budi Raharjo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
