Prediksi Mahasiswa yang Berpotensi Melakukan Pengunduran Diri Menggunakan Algoritma Support Vector Machine
DOI:
https://doi.org/10.26418/justin.v13i4.96510Keywords:
Pengunduran Diri Mahasiswa, Support Vector Machine (SVM), Prediksi Mahasiswa, Machine Learning, Data MiningAbstract
Pengunduran diri mahasiswa merupakan isu krusial yang berdampak pada individu, institusi, dan kualitas pendidikan secara keseluruhan. Penelitian ini bertujuan untuk memprediksi mahasiswa yang berpotensi mengundurkan diri menggunakan algoritma Support Vector Machine (SVM). Data yang digunakan berasal dari mahasiswa Fakultas Teknik Universitas Tanjungpura, mencakup data akademik dan non-akademik mahasiswa dari angkatan 2014 hingga 2021. Metodologi penelitian mencakup pengumpulan data, preprocessing data, pengembangan model, pengujian, serta evaluasi kinerja model. Proses preprocessing mencakup pemilihan atribut, pembersihan data menggunakan Logical Imputation Listwise Deletion, transformasi data, ekstraksi fitur menggunakan Principal Component Analysis (PCA), serta normalisasi dengan metode Min-Max Normalization dan Standard Scaler. Model dikembangkan menggunakan algoritma SVM dan hyperparameter tuning, kemudian diuji menggunakan Mean Squared Error (MSE), Root Mean Square Error (RMSE), serta Confusion Matrix. Berdasarkan hasil evaluasi, model SVM menunjukkan performa yang baik dengan akurasi data testing sebesar 93,54%, MSE sebesar 0,07317, dan RMSE sebesar 0,27047. Selain itu, hasil prediksi menunjukkan tingkat kesesuaian yang tinggi dengan data aktual, yaitu sebesar 96,13%, di mana dari 83 mahasiswa yang benar-benar mengundurkan diri, sebanyak 74 mahasiswa berhasil terdeteksi melalui model, dan 9 mahasiswa tidak terdeteksi. Analisis lebih lanjut menunjukkan bahwa mahasiswa yang masuk melalui jalur mandiri, lulusan dari SMA, serta mereka yang mengalami penurunan Indeks Prestasi Semester (IPS) dari semester 1 hingga 4 memiliki kecenderungan lebih tinggi untuk mengundurkan diri. Temuan ini diharapkan dapat menjadi acuan bagi pihak institusi dalam menyusun strategi pencegahan dini untuk menekan angka pengunduran diri mahasiswa.References
Salam, A., Nugroho, F. B., & Zeniarja, J. (2020b). Implementasi Algoritma K Nearest Neighbor Berbasis Forward Selection Untuk Prediksi Mahasiswa Non Aktif Universitas Dian Nuswantoro Semarang. JOINS (Journal of Information System), 5(1), 69–76.
Wahyudin, M. (2019). Penentuan Penjualan Produk Minuman Bernutrisi Terlaris dengan Algoritma C4.5 pada PT. Nutrifood Indonesia.
Kusumo, D. S., Bijaksana, M. A., & Darmantoro, D. (2014). Data Mining Dengan Algoritma Apriori Pada Rdbms Oracle. Jurnal Penelitian dan Pengembangan Telekomunikasi, 8, 1-5.
Wiyono, S., & Abidin, T. (2018). Perbandingan Algoritma Machine Learning SVM dan Decision Tree untuk Prediksi Keaktifan Mahasiswa. Jurnal & Penelitian Teknik Informatika, 3(1).
Bode, A. (2019). Perbandingan Metode Prediksi Support Vector Machine dan Linear Regression Menggunakan Backward Elimination pada Produksi Minyak Kelapa. Jurnal Sistem Informasi dan Teknik Komputer, 4(2), 1–7.
Mahanggara, A., & Laksito, A. D. (2019). Prediksi Pengunduran Diri Mahasiswa Universitas Amikom Yogyakarta Menggunakan Metode Naive Bayes. Jurnal SIMETRIS, 10(1).
Sinanto, I., Nuraminah, A., & Studi, P. (2022). Komparasi Algoritma Feature Selection Pada Analisis Sentimen Review Film. JUITIK, 2(2).
Monika Parapat, I., & Tanzil Furqon, M. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(10), 3163–3169.
Santoso, I., Gata, W., & Budi Paryanti, A. (2017). Penggunaan Feature Selection di Algoritma Support Vector Machine untuk Sentimen Analisis Komisi Pemilihan Umum. Jurnal Rekayasa Sistem dan Teknologi Informasi, 1(3), 364–370.
Widayani, W., & Harliana, H. (2021). Analisis Support Vector Machine Untuk Pemberian Rekomendasi Penundaan Biaya Kuliah Mahasiswa. Jurnal Sains dan Informatika, 7(1), 20–27.
Nugroho, A. S., Witarto, A. B., & Handoko, D. (2015). Support Vector Machine Untuk Prakiraan Beban Listrik Harian pada Sektor Industri. Jurnal Teknologi Elektro dan Kejuruan, 24(2), 1693 8739.
Pratiwi, N., & Setyawan, Y. (2021). Analisis Akurasi dari Perbedaan Fungsi Kernel dan Cost Pada Support Vector Machine Studi Kasus Klasifikasi Curah Hujan di Jakarta. Journal of Fundamental Mathematics and Applications (JFMA), 4(2), 203–212.
Fitriyah, N., Warsito, B., Asih, D., & Maruddani, I. (2020). Analisis Sentimen Gojek pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (Svm). Jurnal Gaussian, 9(3), 376–390.
Nicolson, A., & Paliwal, K. K. (2019). Deep Learning for Minimum Mean-square Error Approaches to Speech Enhancement. Speech Communication, 111(May), 44–55.
Kumalasari, N. A. (2014). Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Menentukan Tingkat Resiko Penyakit Lemak Darah (Profil Lipid). Universitas Brawijaya.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
