KLASIFIKASI STUDI MAHASISWA UNDIKSHA DENGAN SUPPORT VECTOR MACHINE (SVM) DAN BACKPROPAGATION

Putri, Dwi Prima Handayani (2023) KLASIFIKASI STUDI MAHASISWA UNDIKSHA DENGAN SUPPORT VECTOR MACHINE (SVM) DAN BACKPROPAGATION. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
1915101012-COVER.pdf

Download (465kB)
[img] Text (ABSTRAK)
1915101012-ABSTRAK.pdf

Download (132kB)
[img] Text (BAB 1 PENDAHULUAN)
1915101012-BAB I.pdf

Download (119kB)
[img] Text (BAB 2 KAJIAN PUSTAKA)
1915101012-BAB 2.pdf
Restricted to Repository staff only

Download (277kB) | Request a copy
[img] Text (BAB 3 METODOLOGI PENELITIAN)
1915101012-BAB 3.pdf
Restricted to Repository staff only

Download (158kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
1915101012-BAB IV.pdf
Restricted to Repository staff only

Download (816kB) | Request a copy
[img] Text (BAB 5 SIMPULAN DAN SARAN)
1915101012-BAB V.pdf
Restricted to Repository staff only

Download (47kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
1915101012-DAFTAR PUSTAKA.pdf

Download (175kB)
[img] Text (LAMPIRAN)
1915101012-LAMPIRAN.pdf

Download (127kB)

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah awal untuk mencegah permasalahan tersebut adalah dengan membuat sebuah model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, algoritma machine learning yang digunakan adalah (Support Vector Machine) SVM dan Backpropagation. SVM dipilih karena SVM adalah salah satu metode terbaik untuk memecahkan masalah klasifikasi. Adapun Backpropagation dipilih karena algoritma ini dikatakan sangat powerful dan hampir selalu “cocok” dengan berbagai permasalahan machine learning. Dua buah non-linear kernel telah diaplikasikan pada SVM model, yaitu RBF dan Polynomial Kernel. Namun RBF kernel pada penelitian ini memberikan hasil berupa overfitted model. Adapun pada Backpropagation telah dicoba tiga buah activation function, yaitu sigmoid, tanh, dan identity activation function. Sigmoid dan tanh activation function merupakan non-linear activation function, sedangkan identity activation function merupakan linear activation function. Terdapat tiga buah percobaan untuk proporsi pembagian dataset. Peneliti memilih 90% : 10% sebagai proporsi pembagian data terbaik. Sebanyak 90% data digunakan untuk training process, dan 10% sisanya digunakan untuk testing process. Penelitian ini menggunakan K-Fold Cross Validation untuk membagi data pada training process. Adapun model terbaik diambil dari penetapan k= 4 pada K-Fold Cross Validation. SVM dengan Polynomial Kernel memberikan performa model terbaik dengan akurasi sebesar 97%. Adapun Backpropagation dengan Sigmoid Activation Function sebagai model terbaik juga memberikan hasil akurasi sebesar 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, Backpropagation model menujukkan performa yang sedikit lebih unggul daripada SVM model. Arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan. Kata Kunci: Klasifikasi, SVM, Backpropagation, Kernel, Activation Function

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Klasifikasi, SVM, Backpropagation, Kernel, Activation Function
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Dwi Prima Handayani Putri
Date Deposited: 20 Jul 2023 14:05
Last Modified: 20 Jul 2023 14:05
URI: http://repo.undiksha.ac.id/id/eprint/16243

Actions (login required)

View Item View Item