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
Soebroto, Arief Andi
Unknown Affiliation
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 Kelulusan Jaluk Masuk SNMPTN Dengan Mengguanakan Algoritma Support Vector Machine Kurniawan, Dimas; Soebroto, Arief Andi; Kurnianingtyas, Diva
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi kelulusan jalur masuk Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) menjadi tantangan bagi calon mahasiswa dalam menentukan peluang diterima di universitas pilihan. Penelitian ini bertujuan untuk mengembangkan model prediksi kelulusan menggunakan algoritma Support Vector Machine (SVM) dengan kernel RBF, serta mengimplementasikannya dalam sebuah website berbasis Streamlit. Dataset yang digunakan terdiri dari 500 data siswa dengan berbagai fitur seperti nilai rapor semester 1–5, kategori prestasi, akreditasi sekolah, keaktifan organisasi, linearitas jurusan, serta ranking Perguruan Tinggi Negeri (PTN) tujuan. Data mengalami preprocessing, termasuk label encoding dan normalisasi menggunakan MinMax Normalization, sebelum dilakukan pelatihan model. Evaluasi model dilakukan menggunakan metode K-Fold Cross Validation dan optimasi parameter melalui Grid Search, menghasilkan akurasi sebesar 58%. Implementasi sistem prediksi dalam website memungkinkan pengguna memasukkan data dan mendapatkan hasil prediksi secara real-time, meskipun akurasi model masih perlu ditingkatkan. Hasil penelitian menunjukkan bahwa pemilihan fitur dan jumlah dataset berpengaruh signifikan terhadap performa model. Saran untuk pengembangan lebih lanjut mencakup eksplorasi algoritma lain seperti Random Forest atau XGBoost, peningkatan jumlah data, serta integrasi fitur tambahan untuk meningkatkan akurasi prediksi dan pengalaman pengguna.
Co-Authors Dimas Kurniawan Kurnianingtyas, Diva