<![CDATA[Sekitar 68% mahasiswa mengalami keterlambatan dalam menyelesaikan skripsi yang mengindikasikan adanya kesulitan dalam penentuan topik penelitian sesuai dengan minat dan keahlian.Ketidaksesuaian ini seringkali disebabkan kurangnya pemahaman mahasiswa terhadap kemampuan akademik yang dimiliki. Hal ini berdampak signifikan pada keterlambatan kelulusan mahasiswa.Penelitian ini bertujuan mengatasi permasalahan tersebut dengan membangun model klasifikasi untuk membantu mahasiswa dalam menentukan topik skripsi berdasarkan kemampuan akademik mereka. Indikator yang digunakan berupa transkrip nilai mata kuliah mahasiswa dari semester 1 hingga semester 6. Penelitian ini menggunakan metode Feature Selection dan SMOTE sebelum dilakukan pemodelan untuk meningkatkan kualitas data. Dua algoritma Support Vector Machine (SVM) dengan kernel RBF dan Naive Bayes tipe kategorikal digunakan untuk membangun model klasifikasi. Berdasarkan hasil analisis yang diperoleh bahwa penerapan SMOTE untuk penanganan data sebelum diklasifikasi berpengaruh sangat baik terhadap hasil akurasi. Algoritma Support Vector Machine dengan kernel RBF memberikan akurasi tertinggi sebesar 96.81% sedangkan Naive Bayes tipe Categorical menghasilkan akurasi 83.75%. Hasil penelitian ini memberikan solusi praktis bagi mahasiswa dalam memilih topik skripsi yang relevan dengan kemampuan mereka dimana mata kuliah yang terkait dengan setiap topik skripsi dapat berbeda-beda untuk masing-masing mahasiswa.]]>
Copyrights © 2025
