KLASIFIKASI KETEPATAN LAMA STUDI MAHASISWA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN RANDOM FOREST (Studi Kasus : Data Lama Studi Alumni Universitas Islam Indonesia Tahun Kelulusan 2000-2017)
Abstract
Setiap perguruan tinggi berusaha untuk terus memperbaiki manajemennya,
supaya meningkatkan mutu pendidikan dan meningkatkan akreditasi. Salah satu elemen
penilaian akreditasi perguruan tinggi adalah lulus tepat waktu. Selain itu, ketepatan lama
studi mahasiswa merupakan isu yang penting karena ketepatan tersebut menjadi dasar
efektifnya suatu perguruan tinggi. Universitas Islam Indonesia (UII) adalah salah satu
perguruan tinggi swasta terkemuka di Indonesia. Sebagai universitas yang sudah cukup
tua di Indonesia, UII sudah berakreditas-A dan sudah menghasilkan banyak alumni dari
berbagai daerah dan latar belakang. Untuk terus meningkatkan universitas, UII tentunya
harus mempertimbangkan juga aspek ketepatan waktu mahasiswanya untuk menempuh
lama studi, karena itu merupakan salah satu aspek penilaian akreditasi dari BAN-PT.
Klasifikasi adalah metode untuk memprediksi suatu kejadian atau keputusan yang akan
datang berada di suatu titik tertentu. Analisis klasifikasi bisa digunakan untuk memprediksi
bahwa seorang mahasiswa dikatakan lulus tepat waktu atau tidak. Metode Support Vector
Machine (SVM) dan Random Forest adalah bagian dari metode klasifikasi. Analisis
klasifikasi SVM dan Random Forest dilakukan dengan menggunakan data historis dari
alumni UII tahun kelulusan 2000-2017. Tingkat akurasi SVM kernel RBF dengan nilai
optimum C=1 dan gamma = 1 adalah 77%, akurasi SVM kernel sigmoid dengan nilai
optimum C=10, dan gamma = 1 adalah 68%, dan akurasi Random Forest dengan nilai
optimum m = 2 dan k = 500 adalah 80%. Oleh karena itu, metode terbaik untuk
menentukan ketepatan lama studi mahasiswa UII adalah Random Forest.
Collections
- Statistics [899]