Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha
DOI:
https://doi.org/10.26418/jp.v9i3.67843Keywords:
Klasifikasi, SVM, Backpropagation, Kernel, Activation FunctionAbstract
Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model SVM dan Backpropagation akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 instances dengan features seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk K-Fold Cross Validation. Model SVM dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model Backpropagation yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, model Backpropagation menujukkan performa yang sedikit lebih unggul daripada model SVM. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan.
References
S. N. Hermawanti, Asriyanik, and A. A. Sunarto, “Implementasi Algoritma C4.5 untuk Prediksi Kelulusan Tepat Waktu (Studi Kasus: Program Studi Teknik Informatika),†Jurnal Ilmiah SANTIKA, vol. 9, no. 1, pp. 853–864, 2019. Available: http://jurnalummi.agungprasetyo.net/index.php/santika/article/download/552/253
G. Agung, Peraturan Akademik Undikhsa, 2016. Available: https://static1.undiksha.ac.id/shakuntala/2019/dok_lembaga/peraturan/5.3.1.3.pdf
U. Budiyanto and T. Fatimah, “Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Jaringan Syaraf Tiruan,†2019, pp. 152–160.
Tumini, “Prediksi kelulusan Mahasiswa Dengan Metode Support Vector Machine (SVM) Studi Kasus STMIK Cikarang,†Informatika SIMANTIK, vol. 4, 2019.
Y. Mukti, S. Tinggi, and T. Pagaralam, “Sistem Prediksi Lulus Tepat Waktu Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM),†Dec. 2020. https://doi.org/10.32767/JUTIM.V5I2.1050
H. Mustafidah and F. Halimah, “Prediksi Kategori Kelulusan Mahasiswa,†2019, pp. 164–170. https://doi.org/10.1109/ICSCEE.2018.8538397
A. Pratama, R. C. Wihandika, and D. E. Ratnawati, “Implementasi algoritme support vector machine (SVM) untuk prediksi ketepatan waktu kelulusan mahasiswa,†Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 2, April 2018, pp. 1704–1708.
B. Purnama, Pengantar Machine Learning, Informatika Bandung, 2019.
S. Sharma, S. Srivastava, A. Kumar, and A. Dangi, “Multi-Class Sentiment Analysis Comparison Using Support Vector Machine (SVM) and BAGGING Technique-An Ensemble Method,†in 2018 International Conference on Smart Computing and Electronic Enterprise, ICSCEE 2018, July 2018, pp. 1–6.
S. Cipolla and J. Gondzio, “Training very large scale nonlinear SVMs using Alternating Direction Method of Multipliers coupled with the Hierarchically Semi-Separable kernel approximations,†EURO Journal on Computational Optimization, vol. 10, 2022, 100046. https://doi.org/10.1016/j.ejco.2022.100046
J. Majeed Sadeq, B. Aziz Qadir, and H. Hassan Abbas, “Cars logo recognition by using of backpropagation neural networks,†Measurement: Sensors, vol. 26, Oct. 2022, 100702. https://doi.org/10.1016/j.measen.2023.100702.
K. Amadea, F. A. Bachtiar, and G. Pangestu, “Klasifikasi Pola Pergerakan Bola Mata Menggunakan Metode Multilayer Backpropagation,†Jurnal Teknologi Informasi Dan Ilmu Komputer, vol. 9, no. 2, p. 391, 2022. https://doi.org/10.25126/jtiik.2022925668.
B. Fachri, A. P. Windarto, and I. Parinduri, “Penerapan Backpropagation dan Analisis Sensitivitas pada Prediksi Indikator Terpenting Perusahaan Listrik,†Jurnal Edukasi Dan Penelitian Informatika (JEPIN), vol. 5, no. 2, p. 202, 2019. https://doi.org/10.26418/jp.v5i2.31650.
F. Ayu, “Implementasi Jaringan Saraf Tiruan Untuk Menentukan Kelayakan Proposal Tugas Akhir,†vol. 3, no. 2, pp. 44–53, 2019.
Suripto and A. Sekar, Teknik Pre-processing dan Classification dalam Data Science, Binus University, 2022. Available: https://mie.binus.ac.id/2022/08/26/teknik-pre-processing-dan-classification-dalam-data-science/.
P. Ajar and M. Kuliah, “Data Preparation Structure untuk Pemodelan Prediktif Jumlah Peserta Ajar Mata Kuliah,†vol. 9, no. 1, pp. 7–11, 2023.
J. Brownlee, “How to Choose an Activation Function for Deep Learning,†2021. Available: https://machinelearningmastery.com/choose-an-activation-function-for-deep-learning/.
