PREDIKSI PERFORMA AKADEMIK MENGGUNAKAN ALGORITMA SUPERVISED LEARNING

Nugraha, Wisnu Arya (2024) PREDIKSI PERFORMA AKADEMIK MENGGUNAKAN ALGORITMA SUPERVISED LEARNING. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. COVER.pdf
Download (222kB)
[img] Text
2. LEMBAR PENGESAHAN.pdf
Download (5MB)
[img] Text
3. ABSTRAK.pdf
Download (185kB)
[img] Text
4. KATA PENGANTAR-DAFTAR ISI-DAFTAR TABEL.pdf
Download (243kB)
[img] Text
5. BAB I.pdf
Download (200kB)
[img] Text
6. BAB II.pdf
Download (613kB)
[img] Text
7. BAB III.pdf
Download (271kB)
[img] Text
8. BAB IV.pdf
Restricted to Repository staff only
Download (923kB)
[img] Text
9. BAB V.pdf
Restricted to Repository staff only
Download (193kB)
[img] Text
10. DAFTAR PUSTAKA.pdf
Download (185kB)
[img] Text
11. LAMPIRAN.pdf
Download (1MB)

Abstract

Sistem akademik dirancang setiap instansi pendidikan yang mencakup seluruh proses pendidikan yang berlaku. Kualitas mahasiswa yang baik dipengaruhi berbagai faktor, dengan salah satu inti utamanya adalah sistem akademik yang tersedia. Diketahui dari penelitian sebelumnya bahwa kualitas seorang pelajar yang bisa disebut performa akademik, dapat diketahui melalui data historis proses admisi pelajar tersebut. Salah satu proses admisi yang sebelumnya berlaku di perguruan tinggi negeri Indonesia adalah Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN). Tujuan dari penelitian ini adalah mengolah data SNMPTN, yang digabungkan dengan data nilai Indeks Prestasi Kumulatif (IPK), sehingga dapat diproses menggunakan model pembelajaran mesin. Data yang digunakan diproses menggunakan metodologi pembelajar mesin untuk menghasilkan suatu model. Model tersebut dievaluasi yang kemudian dilakukan proses perbandingan dalam rangka mencari algoritma yang menghasilkan nilai evaluasi tertinggi. Model yang dibuat bertujuan untuk memprediksi performa akademik seseorang dengan mengklasifikasikannya kedalam 4 kelas label. Klasifikasi label ditentukan berdasarkan rentang nilai IPK. Algoritma yang digunakan untuk membuat model adalah algoritma Supervised Learning Klasifikasi, diantaranya Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), dan Extreme Gradient Boosting (XGB). Penelitian dilakukan dalam 3 skema berdasarkan persentase antara data latih dengan data uji. Hasil yang diperoleh menunjukan DT mengeluarkan nilai akurasi dan precision tertinggi, dengan nilai akurasi 0,79 dan nilai precision 0,56. Kemudian XGB menghasilkan nilai recall dan f1-score tertinggi, dengan nilai recall 0,35 dan nilai f1-score 0,36. Dengan meninjau perbandingan skala nilai true positive dan true negative yang dihasilkan setiap model pada tabel confusion matrix tergolong signifikan, maka dapat dipilih model dengan f1-score tertinggi sebagai model terbaik, yakni model dengan algoritma Extreme Gradient Boosting pada skema data latih-uji 70%-30%. Kata Kunci: Admisi, Klasifikasi, Pembelajaran Mesin, Performa Akademik, Supervised Learning

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 05 Sep 2024 04:44
Last Modified: 05 Sep 2024 04:44
URI: http://repositori.unsil.ac.id/id/eprint/14121

Actions (login required)

View Item View Item