PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI CAPAIAN STUDI MAHASISWA

Abstract

Keberhasilan Universitas, swasta dan negeri bergantung pada mahasiswa dan untuk mengurangi tingkat kegagalan akademik, diperlukan sistem yang dapat memprediksi mahasiswa berdasarkan data akademik serta membuat penilaian untuk memprediksi seberapa baik capaian studi mahasiswa. Data program studi dapat diolah dengan cepat dan akurat, dan data mining adalah proses penambangan data untuk membuat prediksi capaian studi berdasarkan data tentang mahasiswa. Kebaharuan dari penelitian ini adalah menggunakan proses untuk mengoptimalkan model RF dan SVM serta menghasilkan atribut yang berpengaruh terhadap akurasi dalam memprediksi capaian studi mahasiswa program studi S1 Ilmu Hukum Fakultas Hukum Universitas Sebelas Maret dengan seleksi fitur menggunakan Forward Selection. Pemodelan menggunakan RF sebelum dilakukan seleksi fitur mendapatkan hasil akurasi sebesar 97,67%, sedangkan pemodelan menggunakan SVM mendapatkan hasil akurasi sebesar 91,47% dengan menggunakan data mahasiswa angkatan tahun 2021 sejumlah 433 data dengan pembagian 70% data latih dan 30% data uji. Penggunaan seleksi fitur menggunakan metode Forward Selection tidak dapat meningkatkan hasil akurasi pada algoritma RF serta menghasilkan empat atribut yang berpengaruh pada klasifikasi prediksi capaian studi mahasiswa. Pada pemodelan SVM, seleksi fitur dapat meningkatkan nilai akurasi sebesar 6,2%, sehingga hasil akurasi SVM setelah dilakukan seleksi fitur adalah sebesar 97,67% dengan menghasilkan satu atribut yang berpengaruh pada klasifikasi prediksi capain studi mahasiswa. Perbandingan metode klasifikasi RF dan SVM setelah dilakukan seleksi fitur mendapatkan akurasi yang sama yaitu 97,67%, oleh karena itu, hasil penelitian ini termasuk dalam kategori model yang cukup. Hasil penelitian dapat menjadi acuan bagi pengelola program studi dalam memberikan perlakuan khusus kepada mahasiswa yang diprediksi tidak tercapai pembelajarannya.

The success of universities, private and public depends on students and to reduce the rate of academic failure, a system is needed that can predict students based on academic data and make assessments to predict how well students will achieve in their studies. Study program data can be processed quickly and accurately, and data mining is a data mining process to make predictions about study outcomes based on data about students. The novelty of this research is that it uses a process to optimize the RF and SVM models and produces attributes that influence accuracy in predicting study outcomes for undergraduate students in the Legal Sciences study program, Faculty of Law, Sebelas Maret University by selecting features using Forward Selection. Modeling using RF before feature selection got an accuracy result of 97.67%, while modeling using SVM got an accuracy result of 91.47% using 433 student data from the class of 2021 with a division of 70% training data and 30% test data. The use of feature selection using the Forward Selection method cannot improve the accuracy results of the RF algorithm and produces four attributes that influence the classification of student study achievement predictions. In SVM modeling, feature selection can increase the accuracy value by 6.2%, so that the SVM accuracy result after feature selection is 97.67% by producing one attribute that influences the prediction classification of student study achievement. Comparison of the RF and SVM classification methods after feature selection obtained the same accuracy, namely 97.67%, therefore, the results of this study are included in the adequate model category. The results of the research can be a reference for study program managers in providing special treatment to students whose learning is predicted to fail.