<![CDATA[Prediksi performa akademik mahasiswa merupakan aspek penting dalam mendukung pengambilan keputusan berbasis data di perguruan tinggi. Identifikasi dini terhadap capaian akademik mahasiswa memungkinkan institusi pendidikan memberikan pendampingan dan intervensi akademik yang tepat. Penelitian ini bertujuan untuk memprediksi performa akademik mahasiswa menggunakan pendekatan machine learning dengan menerapkan algoritma Support Vector Machine (SVM) yang diimplementasikan pada RapidMiner. Dataset yang digunakan mencakup atribut personal mahasiswa, latar belakang keluarga, serta kebiasaan belajar sebagai variabel input, sedangkan nilai akhir mata kuliah digunakan sebagai variabel output. Metodologi penelitian meliputi tahap praproses data, pelatihan model, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model SVM menghasilkan nilai Root Mean Squared Error (RMSE) sebesar 3.217 ± 0.725 dengan micro average RMSE sebesar 3.296 ± 0.000, yang mengindikasikan performa prediksi yang stabil dan cukup baik. Pembahasan menunjukkan bahwa kebiasaan belajar dan faktor pendukung lainnya memiliki pengaruh yang signifikan terhadap performa akademik mahasiswa. Kesimpulan penelitian ini menyatakan bahwa penerapan algoritma Support Vector Machine pada RapidMiner efektif untuk memprediksi performa akademik mahasiswa serta memberikan dampak positif dalam pemantauan akademik dan perencanaan kebijakan pendidikan]]>
Copyrights © 2025
