Analisis dan Penerapan Algoritma Support Vector Machine (SVM) dalam Data Mining untuk Menunjang Strategi Promosi

Agung Handayanto, Khoirya Latifa, Nugroho Dwi Saputro, Rahmat Robi Waliansyah

Abstract


Universitas PGRI Semarang (UPGRIS) setiap tahun melakukan penerimaan mahasiswa baru. Banyaknya jumlah calon mahasiswa yang tidak melakukan registrasi ulang setiap tahunnya menjadi permasalahan dalam penerimaan mahasiswa baru Program Studi (prodi) Informatika. Hal tersebut menimbulkan masalah yang harus segera diselesaikan oleh pihak kampus, sehingga kuota mahasiswa baru untuk masing-masing prodi belum tercapai. Oleh karena itu diperlukan strategi promosi yang lebih efisien dan efektif. Untuk mengetahui pola dari data-data tersebut dibutuhkan pengolahan data yang baik sehingga dari data-data tersebut bisa diambil informasi yang tersembunyi. Metode SVM dipilih untuk analisis data mining pada riset ini. Parameter yang digunakan ada 6 yaitu jenis kelamin, agama, asal sekolah, jurusan, asal kota/kabupaten dan daftar ulang. Riset ini menggunakan data rekapitulasi penerimaan mahasiswa baru prodi Informatika UPGRIS dari tahun 2014 sampai 2018 dengan total 6371 baris. Berdasarkan hasil analisis diperoleh tingkat akurasi sebesar 73,6%.


Keywords


SVM; Penerimaan Mahasiswa Baru; Forecasting

References


[1] I. Kurniawati, R. E. Indrajit, and M. Fauzi, “Peran Bussines Intelligence Dalam Menentukan Strategi Promosi Penerimaan Mahasiswa Baru,” IKRAITH-INFORMATIKA, vol. 1, no. 2, pp. 70–79, 2017.

[2] A. Saifudin, “Metode Data Mining untuk Seleksi Calon Mahasiswa pada Penerimaan Mahasiswa Baru Di Universitas Pamulang,” J. Teknol., vol. 10, no. 1, pp. 25–36, 2018.

[3] A. Suryadi and E. Harahap, “Sistem Rekomendasi Penerimaan Mahasiswa Baru Menggunakan Naive Bayes Classifier Di Institut Pendidikan Indonesia,” Joutica, vol. 3, no. 2, p. 171, 2018.

[4] M. Muslihudin and A. Larasati, “Perancangan Sistem Aplikasi Penerimaan Mahasiswa Baru Di Stmik Pringsewu Menggunakan Php Dan Mysql,” J. TAM, vol. 3, pp. 32–39, 2014.

[5] R. Setiawan, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik Lp3i Jakarta ),” J. Lentera Ict, vol. 3, no. 1, pp. 76–92, 2016.

[6] M. Muhammad, “Sebaran Dan Peramalan Mahasiswa Baru Pendidikan Matematika Universitas Muhammadiyah Purwokerto Dengan Metode Time Invariant Fuzzy Time Series,” Mat. J., vol. 3, no. 2, pp. 48–58, 2016.

[7] M. Asad, S. S. Wibowo, and E. Sophia, “Peramalan Jumlah Mahasiswa Baru Dengan Model Autoregressive Integrated Moving Average ( Arima ),” J. Inform. Merdeka Pasuruan, vol. 2, no. 3, pp. 20–33, 2017.

[8] D. Ispriyanti and A. Hoyyi, “Analisis Klasifikasi Masa Studi Mahasiswa Prodi Statistika Undip dengan Metode Support Vector Machine (SVM) dan ID3 (Iterative Dichotomiser 3),” Media Stat., vol. 9, no. 1, pp. 15–29, 2016.

[9] S. M. S. Damanik, D. Ispriyati, and Sugito, “Klasifikasi Lama Studi Mahasiswa Fsm Universitas Diponegoro Menggunakan Regresi Logistik Biner Dan Support Vector Machine (SVM),” J. Gaussian, vol. 4, no. 1, pp. 123–132, 2015.

[10] A. Darmawan, N. Kustian, and W. Rahayu, “Implementasi Data Mining Menggunakan Model SVM untuk Prediksi Kepuasan Pengunjung Taman Tabebuya,” J. String, vol. 2, no. 3, pp. 299–307, 2018.

[11] M. D. Juliansyah, M. Irfan, and C. N. Alam, “Implementasi Algoritma Support Vector Machine ( SVM ) Untuk Klasifikasi Buku pada Digital Library Berbasis Website,” Insight, vol. 1, no. 1, pp. 141–145, 2018.

[12] A. Perdana, M. T. Furqon, and Indriati, “Penerapan Algoritma Support Vector Machine ( SVM ) Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia ( Studi Kasus : RSJ . Radjiman Wediodiningrat , Lawang ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 3162–3167, 2018.


Full Text: PDF (Bahasa Indonesia)

DOI: 10.30595/juita.v7i2.4378

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

ISSN: 2579-8901