OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE DENGAN PARTICLE SWARM OPTIMIZATION DALAM MENDETEKSI KETEPATAN WAKTU KELULUSAN MAHASISWA : STUDI KASUS POLTEK LP3I JAKARTA “KAMPUS DEPOK”

Abstract

Deteksi ketepatan kelulusan mahasiswa sangat diperlukan untuk mengantisipasi mahasiswa yang memiliki kinerja yang sangat buruk dalam mengikuti proses pembelajaran dalam suatu lembaga pendidikan karena tujuan semua lembaga pendidikan adalah menciptakan mahasiswa yang berkualitas. Hal tersebut dapat dilihat pada hasil alumni yang telah menyelesaikan pendidikan tersebut. POLTEK LP3I Jakarta Kampus Depok salah satu lembaga pendidikan vokasi yang didirikan untuk menciptakan manusia yang memiliki kemampuan / Skill yang dibutuhkan oleh perusahaan sehingga konsep yang ditawarkan adalah pendidikan yang memiliki Link and Match. Kompetitor yang memiliki tujuan sama merupakan salah satu tantangan yang harus dihadapi oleh lembaga tersebut sehingga diperlukan suatu solusi untuk mengatasi hal tersebut. Salah satu solusinya adalah pendeteksian ketepatan waktu kelulusan mahasiswa. Hal tersebut dapat dilakukan dengan cara menggunakan teknik data mining. Salah satu teknik data mining yang digunakan adalah support vector machines ( SVM ). Metode support vector machine mampu mengatasi masalah yang berdimensi tinggi, mengatasi masalah klasifikasi dan regresi dengan linier ataupun nonlinier kernel yang dapat menjadi satu kemampuan algoritma pembelajaran untuk klasifikasi serta regresi, namun support vector machine memiliki masalah dalam parameter yang sesuai. Untuk mengatasi masalah tersebut diperlukan metode algoritma particle swarm optimization ( PSO ) untuk pemilihan parameter yang sesuai pada metode support vector machine. Beberapa eksperimen dilakukan untuk mendapatkan akurasi yang optimal. Eksperimen dengan menggunakan metode support vector machine dan algoritma particle swarm optimization yang digunakan untuk melakukan optimasi parameter C, populasi dan ε. Data training yang digunakan data yang dibatasi dengan waktu dan tanpa waktu atau data single year dan multi years. Hasil eksperiment menujukkan bahwa data training single year memiliki akurasi yang lebih tinggi dibandingkan dengan data multi years yaitu sebesar 80.34 % dan AUC = 0.641 dengan waktu eksekusi lebih cepat selama 00:01:14 sedangkan data multi years memiliki akurasi dan AUC adalah sebesar 77.30 % dan AUC = 0.580 serta memiliki waktu eksekusi selama 00:13:43. Hasil eksperimen tersebut menunjukan pengujian data set single year menggunakan penerapan algoritma particle swarm optimization pada support vector machine menunjukan hasil yang lebih akurat untuk deteksi ketepatan kelulusan mahasiswa dan merekomendasikan pengklasifikasian berdasarkan pertahun ajaran.