IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) UNTUK REKOMENDASI TUGAS AKHIR MAHASISWA TEKNOLOGI INFORMASI

Di era saat ini banyak masalah yang timbul dikalangan mahasiswa diberbagai universitas di negara kita, baik itu salah memilih jurusan atau lama dalam menyelesaikan studi yang diemban selama perkuliahan. Salah satu faktor yang meneyebakan lamanya mahasiswa menyelesaikan suatu perkuliahan adalah salah dalam menentukan Tugas Akhir apa yang akan diambil, sehingga sering terjadi pergantian judul ditengan penelitian, atau bahkan lamanya pengerjaan penelitian itu sendiri. Atas dasar itu penulis melihat dalam suatu pengambilan keputusan dibutuhkan faktor yang penting dalam standar untuk mengabil keputusan itu sendiri. Dalam penelitian ini sendiri, pemilihan atribut yang akan digunakan sudah tepat dalam menentukan standar dari hasil yang akan menjadi patokan dari rekomendasi judul tugas akhir dan juga input yang akan menghasilkan variabel data pun sudah tepat sasaran sehingga dapat menghasilkan data yang akurat. Yang mana penelitian ini nanti akan memiliki pengaruh yang signifikan dalam menaikan kualitas jurusan, karena dapat meningkatan jumlah mahasiswa yang lulus tepat waktu, dimana jika mahasiswa mengambil tugas akhir yang sesuai dengan bidang yang dikuasai maka akan mempercepat pengerjaan tugas akhir. Terkait metode yang akan digunakan, penulis memilih untuk menggunakan Support Vector Machine (SVM) hal ini bukan tanpa alasan, penulis memilih SVM sebagai metode yang akan digunakan dikarenakan metode ini sendiri memilik keunggulan tersendiri pada atribut yang akan penulis gunakan. Dimana SVM dapat digunakan untuk klasifikasi dan regresi dimana hal ini sangat sesuai untuk menentukan Tugas Akhir yang tepat untuk Mahasiswa/i. Dan dari hasil penelitian yang sudah didapatkan, bisa diamati bahwa data yang tidak penggunaan SMOTE memiliki akurasi yang jauh lebih kecil dan juga diikuti dengan prediksi, class recall, dan class precision yang tidak seimbang, hal ini disebabkan oleh data yang inbalance dan juga faktor matakuliah yang berkaitan dengan label yang tidak seimbang. Sehingga dibutuhkan SMOTE untuk meningkatkan akurasi dan menyeimbangkan data, meskipun tidak dapat mempengaruhi matakuliah yang tidak seimbang terhadap ke 4 label. Dan dari penelitian yang penulis lakukan, dapat disimpulkan bahwa penggunaan SVM dengan operator SMOTE Upsampling yang disertakan Shuffled Sampling adalah pengaturan yang memiliki akurasi paling tinggi dibandingkan dengan pengaturan lain.