<![CDATA[Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model SVM dan Backpropagation akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 instances dengan features seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk K-Fold Cross Validation. Model SVM dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model Backpropagation yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, model Backpropagation menujukkan performa yang sedikit lebih unggul daripada model SVM. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan. ]]>
Copyrights © 2023
