Prediksi Lama Studi dan Predikat Kelulusan Mahasiswa Menggunakan Algoritma Supervised Learning

Nur Baiti Nasution (Universitas Pekalongan)
Dwi Hartanto (Indonesian Artificial Intelligence Society)
Dicky Januarizky Silitonga (Institut Teknologi Sumatera)
Lasimin (Universitas Nahdlatul Ulama Al Ghazali)
Dewi Mardhiyana (Universitas Pekalongan)

G-Tech : Jurnal Teknologi Terapan
Vol 7 No 2 (2023): G-Tech, Vol. 7 No. 2 April 2023

Untuk menjaga kualitas alumni di suatu universitas, perlu dilakukan prediksi mengenai masa studi dan IPK akhir mahasiswa. Prediksi masa studi dan predikat dapat digunakan sebagai dasar pemberian perlakuan agar mahasiswa dapat lulus tepat waktu dengan nilai yang baik. Lebih lanjut, prediksi tersebut juga dapat digunakan sebagai dasar perbaikan pengelolaan universitas. Penelitian ini bertujuan untuk mengembangkan model klasifikasi menggunakan algoritma supervised learning untuk memprediksi masa studi dan predikat IPK mahasiswa ketika lulus kuliah. Data yang digunakan adalah data alumni Universitas Pekalongan tahun 2018 yang terdiri dari 1208 alumni. Pemodelan dilakukan dengan menggunakan metodologi CRISP DM dengan menerapkan 3 model klasifikasi yaitu KNN, Decision Tree, dan Support Vector Machine. Metrik keberhasilan yang digunakan adalah akurasi. Dari hasil pemodelan, diperoleh bahwa model yang terbaik untuk variabel masa studi adalah SVM dengan nilai akurasi 0.70 dan model terbaik untuk variabel predikat adalah KNN dengan nilai akurasi 0.51.