Fariah, Ghefira
Unknown Affiliation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Klasifikasi Kelayakan Seleksi Nasional Berdasarkan Prestasi dan Rekomendasi Jurusan Menggunakan Support Vector Machine: Eligibility Classification for the National Selection Based on Achievement and Study Program Recommendation Using Support Vector Machine Fariah, Ghefira; Salamah, Irma; Fadhli, Mohammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.2956

Abstract

Penentuan kelayakan siswa untuk mengikuti Seleksi Nasional Berdasarkan Prestasi (SNBP) beserta rekomendasi program studi di SMA Pusri Palembang sebelumnya masih dilakukan melalui proses manual sehingga membutuhkan waktu relatif lama dan berpotensi menghasilkan keputusan yang kurang konsisten. Penelitian ini mengembangkan sistem berbasis website yang mengintegrasikan algoritma Support Vector Machine (SVM) untuk melakukan klasifikasi kelayakan SNBP sekaligus menghasilkan rekomendasi jurusan berdasarkan data akademik siswa. Penelitian menggunakan 153 data akademik siswa yang terdiri atas nilai rapor, rata-rata nilai, dan peringkat kelas. Sebelum proses pemodelan, data dipersiapkan melalui tahapan preprocessing, normalisasi, dan pembagian dataset menggunakan metode train-test split dengan rasio 80% data latih dan 20% data uji. Model SVM menerapkan kernel Radial Basis Function (RBF) karena mampu menangani pola data akademik yang bersifat nonlinier secara efektif. Hasil pengujian menunjukkan bahwa model klasifikasi kelayakan SNBP memperoleh accuracy sebesar 98,69%, precision sebesar 97,92%, recall sebesar 97,92%, dan F1-score sebesar 97,92%. Pada rekomendasi jurusan, model menghasilkan accuracy sebesar 86,93%, dengan performa terbaik pada kelas Sistem Informasi yang memperoleh precision sebesar 96,23%, recall sebesar 98,08%, dan F1-score sebesar 97,15%. Integrasi kedua fungsi dalam satu aplikasi berbasis website menjadi kontribusi penelitian ini karena mendukung pengambilan keputusan akademik secara lebih cepat, objektif, dan terkomputerisasi bagi administrator, guru, maupun siswa