<![CDATA[Fenomena putus kuliah merupakan tantangan serius di perguruan tinggi, termasuk di STMIK Triguna Dharma. Masalah ini dipengaruhi oleh berbagai faktor demografi dan sosial ekonomi, seperti keterbatasan ekonomi keluarga, kurangnya dukungan lingkungan, serta persoalan internal mahasiswa. Penelitian ini bertujuan mengidentifikasi faktor-faktor tersebut dan membangun model prediktif menggunakan pendekatan data mining, khususnya algoritma Support Vector Machine (SVM) dan Decision Tree. Metode yang digunakan adalah kuantitatif. Data diperoleh melalui wawancara dan sistem akademik, kemudian diproses melalui tahapan preprocessing untuk pembersihan dan normalisasi. Algoritma SVM digunakan untuk membangun hyperplane yang memisahkan mahasiswa berisiko dan tidak berisiko putus kuliah, sedangkan Decision Tree menghasilkan model pohon keputusan yang mudah dipahami untuk analisis faktor penyebab. Evaluasi model dilakukan dengan tiga rasio pembagian data: 90:10, 80:20, dan 70:30. Hasil menunjukkan bahwa SVM memiliki akurasi tertinggi sebesar 58,54% dengan presisi 75% dan recall 83,33% pada rasio 90:10. Sementara itu, Decision Tree mencatat recall 100% pada rasio 80:20 dan 70:30, namun dengan presisi lebih rendah (50–57%) dan akurasi maksimum 56,10%. Temuan ini menunjukkan bahwa SVM lebih baik dalam keseimbangan akurasi dan presisi, sedangkan Decision Tree unggul dalam mendeteksi kasus putus kuliah. Model ini diharapkan dapat membantu kampus melakukan intervensi dini untuk mencegah putus kuliah.]]>
Copyrights © 2025
