Prediksi Waktu Kelulusan Mahasiswa Menggunakan SVM Berbasis PSO
Abstract
Waktu kelulusan dengan tepat waktu bagi mahasiswa sangatlah penting untuk menentukan pekerjaan dalam perkuliahan, maka dari itu perlu di prediksi kelulusan mahasiswa sebelum akhir semester dengan menggunakan model support vector machine yang memiliki keuntungan dalam membuat data menjadi optimal tetapi support vector machine memiliki kekurangan dalam pengoptimal parameter. Particle swarm optimization dapat memperbaiki kekurangan yang terdapat pada support vector machine dalam hal mengoptimalkan parameter. Dari hasil yang didapat dengan menggunakan model support vector machine berbasis particle swarm optimization dapat meningkatkan akurasi prediksi dari sebesar 85.81% menjadi 86.43%. dengan kenaikan sebesar 00.62%. Sehingga dalam memprediksi kelulusan mahasiswa dapat akurat dan secara optimal dalam mengukur parameter yang diperlukan
Full Text:
PDFReferences
Ariyati, I., Ridwansyah, & Suhardjono. (2018). Implementasi Particle Swarm Optimization untuk Optimalisasi Data Mining Dalam Evaluasi Kinerja Asisten Dosen. JIKO (Jurnal Informatika dan Komputer) STMIK AKAKOM, 3(2), 70–75.
Frias-Martinez, E., Sanchez, A., & Velez, J. (2010). Support vector machines versus multi-layer perceptrons for efficient off-line signature recognition. Engineering Applications of Artificial Intelligence, 19(6), 693–704.
LU, S.-X., MENG, J., & CAO, G.-E. (2010). SUPPORT VECTOR MACHINE BASED ON A NEW REDUCED SAMPLES METHOD. Proceedings of the Ninth International Conference on Machine Learning and Cybernetics.
Ren, J. (2012). ANN vs. SVM: Which one performs better in classification of MCCs in mammogram imaging. KnowledgeBased Systems, 26, 144–153.
Ridwansyah, & Purwaningsih, E. (2018). Particle Swarm Optimization Untuk Meningkatkan Akurasi Prediksi Pemasaran Bank. Jurnal PILAR Nusa Mandiri, 14(1), 83–88.
Riyanto, V., Hamid, A., & Ridwansyah. (2019). Prediction of Student Graduation Time Using the Best Algorithm. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 2(1).
Sugimoto, M., Takada, M., & Toi, M. (2013). Comparison of robustness against missing values of alternative decision tree and multiple logistic regression for predicting clinical data in primary breast cancer. Annual International Conference of the IEEE EMBS.
Wang, S., Li, D., Song, X., Wei, Y., & Lia, H. (2011). A feature selection method based on improved fisher’s discriminant ratio for text sentiment classification. Expert Syst. Appl, 38(7), 8696–8702.
WU, X. (2007). Top 10 Algorithms in Data Mining. New York: Springer.
Xiang, C. (2013). A Chaotic Time Series Forecasting Model Based on Parameters Simultaneous Optimization Algorithm. Journal of Information and Computational Science, 10(15), 4917–4930.
DOI: https://doi.org/10.31294/bi.v7i2.6654
DOI (PDF): https://doi.org/10.31294/bi.v7i2.6654.g3731
ISSN: 2338-9761
