Prediksi Kelulusan Tepat Waktu Berdasarkan Keaktifan Organisasi dan Pengembangan Diri Menggunakan Algoritma Support Vector Machine

Authors

  • Rangga Saputra Universitas Pancasakti Tegal
  • Hasbi Firmansyah Universitas Pancasakti Tegal

Keywords:

Data Mining, Support Vector Machine, Prediksi Kelulusan

Abstract

Ketepatan waktu kelulusan mahasiswa merupakan indikator vital dalam penilaian akreditasi perguruan tinggi. Seringkali, keterlibatan mahasiswa dalam kegiatan non-akademik seperti organisasi dan forum komunikasi dianggap sebagai faktor penghambat kelulusan, padahal aspek tersebut juga berkontribusi pada pengembangan soft skill. Penelitian ini bertujuan untuk mengklasifikasikan status kelulusan mahasiswa (lulus cepat atau terlambat) dengan memanfaatkan algoritma Support Vector Machine (SVM). Data yang digunakan terdiri dari 50 sampel mahasiswa dengan atribut meliputi IPK, intensitas pelatihan pengembangan diri, prestasi, keaktifan dalam forum komunikasi, dan kegiatan organisasi. Pengolahan data dilakukan menggunakan tools RapidMiner dengan metode validasi Cross Validation. Hasil pengujian menunjukkan tingkat akurasi sebesar 66,00%, dengan nilai Recall untuk kelas "Lulus Cepat" mencapai 100%. Namun, model menunjukkan kecenderungan bias terhadap kelas mayoritas, yang mengindikasikan perlunya penanganan ketidakseimbangan data (imbalanced data) pada penelitian selanjutnya.

References

Anwar, N. R. (2025). ANALISIS ALGORITMA SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI OBAT TERHADAP PASIEN PRECISION MEDICINE THROUGH SUPPORT VECTOR MACHINES: ANALYZING PATIENT DATA FOR IMPROVED DRUG CLASSIFICATION. Universitas Pelita Bangsa.

Chawla, N. V, Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357.

Fujita, K. (2006). The effects of extracurricular activities on the academic performance of junior high students. Undergraduate Research Journal for the Human Sciences, 5(1), 1–16.

Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and. Techniques, Waltham: Morgan Kaufmann Publishers.

Hearst, M. A., Dumais, S. T., Osuna, E., Platt, J., & Scholkopf, B. (1998). Support vector machines. IEEE Intelligent Systems and Their Applications, 13(4), 18–28.

Hoffait, A.-S., & Schyns, M. (2017). Early detection of university students with potential difficulties. Decision Support Systems, 101, 1–11.

Moonallika, P. S. C., Fredlina, K. Q., & Sudiatmika, I. B. K. (2020). Penerapan Data Mining Untuk Memprediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus STMIK Primakara). Progresif: Jurnal Ilmiah Komputer, 16(1), 47–56.

Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618.

Tinggi, B. A. N. P., & TERAKREDITASI, S. A. D. A. N. P. (2018). Badan Akreditasi Nasional Perguruan Tinggi.

Downloads

Published

2026-01-04

Issue

Vol. 3 No. 1 (2026): JANUARI 2026

Section

Articles

License

Copyright (c) 2026 Rangga Saputra, Hasbi Firmansyah

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.