Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Digit : Digital of Information Technology

PEMODELAN PREDIKTIF KELAYAKAN BEASISWA PIP MENGGUNAKAN SUPPORT VECTOR MACHINE: STUDI KASUS PADA SEKOLAH MENENGAH KEJURUAN NEGERI DI CIREBON Syamsudin, Muhammad Syafri; Maulana, Indra; Suratno, Suratno
Jurnal Digit : Digital of Information Technology Vol 15, No 2 (2025)
Publisher : Universitas Catur Insan Cendekia (CIC) Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51920/jd.v15i2.444

Abstract

Memastikan akses pendidikan yang setara bagi siswa dari keluarga berpenghasilan rendah tetap menjadi tantangan strategis dalam pengembangan sumber daya manusia di Indonesia. Program Indonesia Pintar (PIP) merupakan inisiatif pemerintah yang memberikan bantuan keuangan langsung kepada siswa kurang mampu atau yang berisiko putus sekolah karena kesulitan ekonomi. Namun, proses seleksi penerima beasiswa masih menghadapi permasalahan terkait akurasi dan objektivitas. Penelitian ini bertujuan untuk mengembangkan model klasifikasi guna mengidentifikasi calon penerima PIP yang layak menggunakan algoritma Support Vector Machine (SVM), berdasarkan data siswa dari Sekolah Menengah Kejuruan Negeri (SMK Negeri) di Cirebon. Dataset terdiri atas 216 data siswa, mencakup fitur seperti prestasi akademik, pendapatan orang tua, status KETM (keluarga ekonomi tidak mampu), serta variabel demografis lainnya. Model SVM dikembangkan menggunakan kernel linear pada platform R, dengan kinerja divalidasi melalui metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi klasifikasi sebesar 90% pada data pelatihan dan 85,19% pada data pengujian, dengan interval kepercayaan 95%. Temuan ini menunjukkan bahwa algoritma SVM efektif dalam mengklasifikasikan kelayakan penerima PIP berdasarkan variabel kuantitatif yang tersedia. Penelitian ini berkontribusi pada pengembangan sistem pendukung keputusan berbasis data di sektor pendidikan, khususnya dalam meningkatkan transparansi dan efisiensi distribusi beasiswa yang adil dan tepat sasaran. Kata kunci: Klasifikasi, Machine Learning, Prediksi, Support Vector Machine, Beasiswa.