SELENGKAPNYA

NIM MAHASISWA : 11043128


NAMA MAHASISWA : MUHAMAD KHAVID


JUDUL TA : Penerapan Sistem Klasifikasi untuk Memprediksi Masa Studi Mahasiswa Menggunakan SVM (Studi Kasus Universitas Bhayangkara Surabaya)


DOSEN PEMBIMBING 1 : Eko Prasetyo


DOSEN PEMBIMBING 2 : Rifki Fahrial


ABSTRAK : Lama studi dari mahasiswa sangatlah penting baik bagi mahasiswa, program studi dan perguruan tinggi. Universitas Bhayangkara Surabaya menemukan kendala dalam memprediksi jenis kelulusanya mahasiswanya setiap tahun. Salah satu faktor yang mempengaruhi sulitnya prediksi adalah bertambahnya populasi mahasiswa setiap tahunya. Klasifikasi merupakan sebuah teknik untuk dapat digunakan untuk memprediksi masa studi mahasiswa berdasarkan data training yang ada. Data training yang ada berasal dari angkatan tahun 2008 Universitas Bhayangkara Surabaya dan data testing yang digunakan berasal dari angkatan tahun 2009. Kriteria yang digunakan dalam sistem prediksi masa studi antara lain IPK semester 4, Fakultas, Status Organisasi dan Jenis Kelamin. Secara konsep SVM dapat dijelaskan secara sederhana sebagai usaha untuk mencari hyperplane yang dapat memisahkan dataset sesuai dengan kelasnya. Prinsip dasar SVM adalah linier classifier dan selanjutnya dikembangkan agar bekerja pada kasus nonlinier dengan menggunakan metode kernel trick yaitu menstranformasi data ke ruang yang berdimensi lebih tinggi (feature space) menggunakan fungsi kernel dengan harapan data tersebut dapat diklasifikasikan secara linear. Pada penelitian ini sistem memakai dua jenis kernel yaitu polinomial derajat dua dan Gaussian RBF. Dari hasil coba sistem klasifikasi untuk memprediksi mahasiswa Universitas Bhayangkara Surabaya diperoleh tingkat akurasi untuk kernel polinomial derajat dua sebesar 74.97 % sedangkan tingkat akurasi untuk kernel RBF sebesar 72.75%. Tinggi rendahnya tingkat akurasi dapat disebabkan oleh pemilihan parameter pada saat proses training. Sedangkan hasil dari prediksi lama masa studi mahasiswa Universitas Bhayangkara Surabaya angkatan 2009 menggunakan kernel polinomial derajat 2 adalah 464 Mahasiswa diprediksi “Normal” jenis kelulusanya dan 228 mahasiswa diprediksi “terlambat” jenis kelulusanya.


KATA KUNCI : Jenis Kelulusan , Klasifikasi, Support Vector Machine, IPK, Fakultas, Jenis Kelamin