Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Riski Darmawan
Fakultas Ilmu Komputer, Universitas Brawijaya
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Prediksi Kinerja Mahasiswa berdasarkan Faktor Afektif pada HSS Learning menggunakan Metode Support Vector Machine Riski Darmawan; Fitra Abdurrachman Bachtiar; Lailil Muflikhah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 14 (2023): Antrian Publikasi
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi kinerja akademik siswa sering kali didasarkan pada nilai akademik yang diperoleh sebelumnya atau faktor kognitif dan faktor lingkungan siswa. Adapun prediksi yang mempertimbangkan kondisi emosi atau disebut juga faktor afektif siswa masih sebatas pendekatan statistika saja. Faktanya, faktor afektif memegang peran yang krusial dalam proses pembelajaran. Oleh sebab itu, dalam penelitian ini akan diimplementasikan prediksi kinerja mahasiswa yang didasarkan pada faktor afektif menggunakan metode Support Vector Machine (SVM). Data yang digunakan dikumpulkan melalui kuesioner afektif dalam jangka waktu satu bulan. Preprocessing yang dilakukan terdiri dari oversampling dengan ADASYN dan pemisahan data latih dan data uji dengan persentase 70:30 menggunakan stratified random sampling. Model SVM dilatih menggunakan hyperparameter tuning kemudian dilakukan prediksi kinerja mahasiswa. Performa prediksi dievaluasi dengan menggunakan confusion matrix dan dibandingkan dengan performa dari algoritma K-Nearest Neighbor dan Decision Trees. Hasil pengujian menunjukkan bahwa hyperparameter optimal SVM adalah gamma 0.025, kernel RBF, regularization sebesar 1000 dan learning rate sebesar 10-4. Akurasi prediksi yang didapatkan SVM sebesar 91.3%, precision sebesar 91.5%, recall sebesar 91.3%, dan f1-score sebesar 91.3% di mana performa ini lebih unggul dibandingkan dengan dua algoritma lainnya. Hal ini menunjukkan bahwa SVM merupakan algoritma yang dapat memprediksi kinerja mahasiswa berdasarkan faktor afektifnya dengan baik.
Co-Authors Fitra Abdurrachman Bachtiar Lailil Muflikhah