Analisis Motivasi Minat Lanjut Mahasiswa Baru Menggunakan Metode Klasifikasi Support Vector Machine Studi Kasus: Universitas Darussalam Gontor

Widya Kurniawan (Universitas Darussalam Gontor)
Shafira Azzahrah (Darussalam Gontor University)
Eko Prasetio Widhi (Universitas Darussalam Gontor)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 8, No 4 (2025): Agustus 2025

Abstrak – Penelitian ini bertujuan untuk mengklasifikasikan motivasi minat lanjut mahasiswa baru Universitas Darussalam Gontor (UNIDA) menggunakan algoritma Support Vector Machine. Dengan menerapkan validasi silang 5-fold dan membandingkan berbagai fungsi kernel (RBF dan Polynomial) serta parameter C, gamma, dan degree, penelitian ini mencari model klasifikasi terbaik. Hasil eksperimen I menunjukkan akurasi SVM tertinggi sebesar 88% dengan kernel kernel RBF (gamma=1, C=10) pada 5-fold cross validation, dan 76% untuk Mean Cross Validation dengan parameter yang sama. Sementara itu, Eksperimen II mencapai akurasi SVM tertinggi 78% menggunakan kernel Polynomial (degree=3, C=10) pada 5-fold cross validation, dan 70% untuk Mean Cross Validation. Analisis Permutation Importance mengungkapkan bahwa aspek Spritual adalah prediktor terkuat terhadap keputusan mahasiswa untuk lanjut pengabdian, diikuti oleh aspek Facility. Temuan ini memberikan wawasan penting bagi UNIDA dalam merumuskan strategi yang lebih terarah untuk meningkatkan minat lanjut mahasiswa, dengan memprioritaskan faktor-faktor yang terbukti paling berpengaruh.Kata Kunci: Support Vector Machine; Klasfikasi; Motivasi Mahasiswa; Minat Lanjut; Pengabdian; Abstract –This study aims to classify the motivation of new students at University of Darussalam Gontor (UNIDA) using the Support Vector Machine algoritm. By applying5 fold cross validation and comparing various kernel functions (RBF and Polynomial) as well as parameters C, gamma, and degree, this study seeks the best classification model. Experiment I result show the highest SVM accuracy of 88% with the RBF kernel (gamma = 1, C = 10) in 5-fold cross validation, and 76% for mean cross validation with the same parameters. Meanwhile, Eksperiment II achieved the highest SVM accuracy of 78% using the Polynomial kernel (degree= 3, C= 10) in fold cross validation, and 70% for mean Cross Validation. Permutation Importance Analysis revealed that the Spritual aspect is the strongest predictor as students’ decisions to continue their service, followed by the Facility aspect. These findings provide important insights for UNIDA in formulating more targeted strategies to enhance students' interest in continuing their service, by prioritizing the factors proven to be most influential.Keywords: Support Vector Machine; Classifacation; Student Motivation; Futher Interest; Service;