Prediksi Kinerja Akademik Mahasiswa Menggunakan Machine Learning dengan Sequential Minimal Optimization untuk Pengelola Program Studi

Kinerja akademik mahasiswa menjadi salah satu tolok ukur keberhasilan pengelolaan program studi.Kinerja akademik mahasiswa dapat dilihat pada nilai indek kumulatif (IPK) dan kelulusan tepat waktu. Maka dari itu, peneliti melakukan penelitian untuk membuat pemodelan Prediksi Kinerja Mahasiswa untuk Pengelola Program Studi di Perguruan Tinggi (Studi Kasus: Program Studi Teknik Informatika dan Sistem Informasi UNESA). Penelitian ini menggunakan data akademik berupa sampel data mahasiswa Jurusan Teknik Informatika UNESA sejumlah 330 data. Metode yang digunakan adalah metode Support Vector Machine (SVM) dengan SMO. Pelatihan dan pengujian sistem dilakukan dengan metode Percentage split 80% dengan mengukur hasil akurasi, presisi dan recall. Pelatihan dan pengujian dilakukan dengan mengukur hasil akurasi, presisi, waktu pemrosesan, dan recall. Berdasarkan uji coba yang dilakukan, penerapan SVM memiliki hasil perhitungan akurasi=93,94%, presisi=94,7% dan recall=94,7%