Prediksi Kecocokan Jurusan Siswa SMK Dengan Support Vector Machine dan Random Forest

Dicka Y Kardono; Yuliana Melita Pranoto; Endang Setyati

doi:10.34148/teknika.v12i1.567

Dicka Y Kardono Program Magister Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur
Yuliana Melita Pranoto Program Magister Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur
Endang Setyati Program Magister Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v12i1.567

Keywords: SVM, RF, Klasifikasi, Educational Data Mining

Abstract

SMK Antartika 1 Sidoarjo setiap tahunnya melakukan penerimaan siswa baru. Siswa SMP yang mendaftakan diri ke SMK Antartika 1 Sidoarjo rata-rata belum cukup mengetahui tentang minatnya pada jurusan yang ada di sekolah. Adapun jurusan yang ada di SMK Antartika 1 Sidoarjo adalah Teknik Pemesinan, Teknik Kendaraan Ringan, dan Rekayasa Perangkat Lunak. Dari permasalahan di atas, maka diperlukan sebuah sistem untuk memprediksi tentang pemilihan kecocokan jurusan pada siswa baru SMK Antartika 1 Sidoarjo. Dengan adanya sistem tersebut dapat membantu meningkatkan pelayanan terhadap siswa baru dalam memutuskan pemilihan jurusan yang terdiri dari 4 tingkatan, yaitu: sangat cocok, cocok, kurang cocok, dan sangat kurang cocok dengan siswa. Untuk mengetahui pola prediksi dari data siswa tersebut, menggunakan penerapan perbandingan menggunakan metode Support Vector Machine (SVM) dan Random Forest (RF). Fitur atribut yang digunakan ada 14 fitur yang terdiri dari: Jurusan, Pendidikan_Ayah, Penghasilan_Ayah, Pendidikan_Ibu, Penghasilan_Ibu, Transportasi_ke_Sekolah, NUS_MTK_SMP, NUS_BIND_SMP, NUS_BING_SMP, Disiplin, Tanggung_Jawab, Sikap, Komunikasi, dan Output_Kelas. Riset ini menggunakan dataset siswa SMK Antartika 1 Sidoarjo mulai tahun 2020 sampai 2022 dengan total 578 record data siswa. Berdasarkan hasil analisis dengan metode SVM dengan kernel sigmoid diperoleh tingkat akurasi sebesar 83%, sedangkan hasil analisa dengan dengan metode RF dengan jumlah tree 150 diperoleh tingkat akurasi sebesar 82%.

Downloads

Download data is not yet available.

References

C. Romero and S. Ventura, “Educational data mining: A survey from 1995 to 2005,” Expert Syst. Appl., vol. 33, no. 1, pp. 135—146, 2007, doi: 10.1016/j.eswa.2006.04.005.

A. Jain, K. Shah, P. Chaturvedi, and A. Tambe, “Prediction and Analysis of Student Performance using Hybrid Model of Multilayer Perceptron and Random Forest,” 2018 Int. Conf. Adv. Comput. Telecommun. ICACAT 2018, pp. 1—7, 2018, doi: 10.1109/ICACAT.2018.8933580.

D. De La PeÃ±a, J. A. Lara, D. Lizcano, M. A. MartÃnez, C. Burgos, and M. L. Campanario, “Mining activity grades to model students’ performance,” Proc. - 2017 Int. Conf. Eng. MIS, ICEMIS 2017, vol. 2018-Janua, pp. 1—6, 2018, doi: 10.1109/ICEMIS.2017.8272963.

I. Burman and S. Som, “Predicting Students Academic Performance Using Support Vector Machine,” Proc. - 2019 Amity Int. Conf. Artif. Intell. AICAI 2019, pp. 756—759, 2019, doi: 10.1109/AICAI.2019.8701260.

C. C. Kiu, “Data Mining Analysis on Student’s Academic Performance through Exploration of Student’s Background and Social Activities,” Proc. - 2018 4th Int. Conf. Adv. Comput. Commun. Autom. ICACCA 2018, pp. 1—5, 2018, doi: 10.1109/ICACCAF.2018.8776809.

C. Jalota and R. Agrawal, “Analysis of Educational Data Mining using Classification,” Proc. Int. Conf. Mach. Learn. Big Data, Cloud Parallel Comput. Trends, Prespectives Prospect. Com. 2019, pp. 243—247, 2019, doi: 10.1109/COMITCon.2019.8862214.

Rusdiansyah, “Analisis Keputusan Menentukan Jurusan Pada Sekolah Menengah dengan Netode Simple Additive Weighting,” J. Techno Nusa Mandiri, vol. XIV, no. 1, pp. 49—56, 2017.

X. Ma and Z. Zhou, “Student pass rates prediction using optimized support vector machine and decision tree,” 2018 IEEE 8th Annu. Comput. Commun. Work. Conf. CCWC 2018, vol. 2018-Janua, pp. 209—215, 2018, doi: 10.1109/CCWC.2018.8301756.

M. Zaffar, M. A. Hashmani, and K. S. Savita, “Performance analysis of feature selection algorithm for educational data mining,” 2017 IEEE Conf. Big Data Anal. ICBDA 2017, vol. 2018-Janua, pp. 7—12, 2018, doi: 10.1109/ICBDAA.2017.8284099.

M. Ross, C. A. Graves, J. W. Campbell, and J. H. Kim, “Using support vector machines to classify student attentiveness for the development of personalized learning systems,” Proc. - 2013 12th Int. Conf. Mach. Learn. Appl. ICMLA 2013, vol. 1, pp. 325—328, 2013, doi: 10.1109/ICMLA.2013.66.

M. Y. Arafath, M. Saifuzzaman, S. Ahmed, and S. A. Hossain, “Predicting career using data mining,” 2018 Int. Conf. Comput. Power Commun. Technol. GUCON 2018, pp. 889—894, 2019, doi: 10.1109/GUCON.2018.8674995.

P. Rojanavasu, “Educational data analytics using association rule mining and classification,” ECTI DAMT-NCON 2019 - 4th Int. Conf. Digit. Arts, Media Technol. 2nd ECTI North. Sect. Conf. Electr. Electron. Comput. Telecommun. Eng., pp. 142—145, 2019, doi: 10.1109/ECTI-NCON.2019.8692274.

D. P. Kusumaningrum, N. A. Setiyanto, E. Y. Hidayat, and K. Hastuti, “Recommendation System for Major University Determination Based on Student’s Profile and Interest,” J. Appl. Intell. Syst., vol. 2, no. 1, pp. 21—28, 2017, doi: 10.33633/jais.v2i1.1389.

T. K. Spss and T. R. Daimlerchrysler, “Crisp-dm 1.0,” pp. 1—78.

M. Somvanshi, P. Chavan, S. Tambade, and S. V. Shinde, “A review of machine learning techniques using decision tree and support vector machine,” Proc. - 2nd Int. Conf. Comput. Commun. Control Autom. ICCUBEA 2016, 2017, doi: 10.1109/ICCUBEA.2016.7860040.

S. Jeganathan, P. M. A. Kumar, S. Parthasarathy, and A. R. Lakshminarayanan, “Predicting the Post Graduate Admissions using Classification Techniques,” pp. 346—350, 2021.