PENERAPAN DATA MINING DALAM PREDIKSI MAHASISWA DROP OUT MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

Mahasiswa yang memiliki permasalahan di studi merupakan mahasiswa yang kecenderungan untuk drop out. Tingginya dan rendahnya tingkat persentase keberhasilan dan kegagalan mahasiswa dapat mempengaruhi dalam nilai akreditasi universitas. Untuk menyelesaikan masalah permasalahan, pada penelitian ini digunakan metode klastering (Clustering) Support Vectore Machine untuk melakukan proses prediksi. Dan sebelum dilakukan nya klasifikasi dataset, adalah proses normalisasi dataset, lalu kemudian dataset diolah menjadi beberapa klaster. Dataset yang telah diklasterisasi tersebut menghasilkan kategori prediksi kategori mahasiswa DO dan tidak DO berdasarkan SKS yang telah ditempuh dan IPK yang telah di peroleh selama empat (4) semester mahasiswa pada setiap klaster. Tujuan dengan adanya penelitian ini, pihak perguruan tinggi dapat mengetahui hasil prediksi mahasiswa yang memiliki status DO dan tidak DO dan dapat memberikan tindakan preventif untuk mengurangi masalah tersebut. Hasil dari proses klasifikasi dengan menggunakan cross validation, confusion matrix, menggunakan dataset dari mahasiswa Fakultas Teknik Universitas Muhammadiyah tahun 2015-2017 adalah dengan akurasi kernel terbaik menggunakan SVM kernel Polynomial dengan optimum Cost (c) =0.2 dan deggre (d) = 4 dengan akurasi 99.46