Klasifikasi data mahasiswa lampau menggunakan metode decision tree dan support vector machine

INDONESIA:

Penelitian ini dilakukan untuk mengatasi masalah klasifikasi kategori kelulusan mahasiswa di Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang. Klasifikasi ini bertujuan untuk membantu universitas dalam memahami faktor-faktor yang memengaruhi keberhasilan kelulusan mahasiswa dan mengantisipasi potensi keterlambatan atau putus kuliah (drop out). Data yang digunakan dalam penelitian mencakup atribut akademik, seperti Indeks Prestasi Kumulatif (IPK), dan jalur masuk untuk mengelompokkan mahasiswa ke dalam dua kategori: lulus dan putus. Metode yang digunakan dalam penelitian ini adalah algoritma Decision Tree (DT) dan Support Vector Machine (SVM). Decision Tree membangun model dengan menyusun struktur pohon keputusan berdasarkan atribut yang paling berpengaruh terhadap kategori kelulusan, sedangkan SVM membedakan kelas dengan membangun hyperplane optimal. Data mahasiswa angkatan 2018 dianalisis menggunakan kedua algoritma ini, dengan implementasi berbasis Python dan library scikit-learn untuk pengembangan dan pengujian model. Hasil eksperimen menunjukkan bahwa Decision Tree memiliki akurasi sebesar 96.91%. Lebih tinggi dibandingkan dengan akurasi SVM sebesar 96.62%. Berdasarkan hasil ini, dapat disimpulkan bahwa Decision Tree lebih unggul dalam memprediksi kategori kelulusan dibandingkan SVM. Keunikan (novelty) penelitian ini terletak pada penggunaan kombinasi atribut akademik untuk klasifikasi kelulusan mahasiswa, serta perbandingan kinerja antara algoritma DT dan SVM pada data mahasiswa UIN Maulana Malik Ibrahim Malang. Penelitian ini diharapkan dapat mendukung universitas dalam melakukan evaluasi dan perencanaan strategis yang lebih efektif terkait kelulusan mahasiswa, serta menjadi dasar bagi pengembangan model prediksi yang lebih lanjut untuk kebutuhan institusi pendidikan.

ENGLISH:

study aims to address the issue of classifying student graduation categories at Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang. The classification seeks to assist the university in understanding the factors influencing student graduation success and anticipating potential delays or dropouts. The data used in this research includes academic attributes such as Grade Point Average (GPA) and admission pathways to categorize students into two groups: graduates and dropouts. The methods employed in this study are the Decision Tree (DT) and Support Vector Machine (SVM) algorithms. The Decision Tree constructs a model by organizing a Decision Tree structure based on the most influential attributes on graduation categories, while the SVM distinguishes classes by building an optimal hyperplane. Data from the 2018 student cohort were analyzed using both algorithms, with Python and the scikit-learn library utilized for model development and testing. Experimental results indicate that the Decision Tree achieved an accuracy of 96.91%, higher than the 96.62% accuracy achieved by SVM. Based on these findings, it is concluded that the Decision Tree outperforms SVM in predicting graduation categories. The novelty of this study lies in the combination of academic attributes for student graduation classification and the performance comparison between DT and SVM algorithms on UIN Maulana Malik Ibrahim Malang’s student data. This research is expected to support the university in conducting more effective evaluations and strategic planning related to student graduation and serve as a foundation for the development of advanced predictive models for educational institutions.

ARABIC:

تهدف هذه الدراسة إلى معالجة مشكلة تصنيف فئات تخرج الطلاب في جامعة مولانا مالك إبراهيم الإسلامية الحكومية (UIN) في مالانغ. يهدف التصنيف إلى مساعدة الجامعة في فهم العوامل المؤثرة على نجاح تخرج الطلاب والتنبؤ باحتمالية التأخير أو الانقطاع عن الدراسة. تتضمن البيانات المستخدمة في هذه الدراسة خصائص أكاديمية مثل المعدل التراكمي (GPA) ومسارات القبول لتصنيف الطلاب إلى فئتين: متخرجين ومنقطعين. تم استخدام طريقتين في هذه الدراسة وهما خوارزمية شجرة القرار (Decision Tree) وآلة دعم المتجهات (Support Vector Machine - SVM). تبني شجرة القرار نموذجاً عن طريق هيكلة شجرة قرارات تعتمد على الخصائص الأكثر تأثيراً على فئات التخرج، بينما تميز آلة دعم المتجهات بين الفئات من خلال بناء مستوى فائق (Hyperplane) مثالي. تم تحليل بيانات دفعة الطلاب لعام 2018 باستخدام الخوارزميتين، مع تنفيذ البرمجيات باستخدام لغة بايثون ومكتبة scikit-learn لتطوير النماذج واختبارها. أظهرت نتائج التجارب أن خوارزمية شجرة القرار حققت دقة بنسبة 96.91%، وهي أعلى مقارنة بدقة آلة دعم المتجهات التي بلغت 96.62%. بناءً على هذه النتائج، تم الاستنتاج أن شجرة القرار تتفوق على آلة دعم المتجهات في التنبؤ بفئات التخرج. تتمثل أصالة هذه الدراسة في الجمع بين الخصائص الأكاديمية لتصنيف تخرج الطلاب ومقارنة أداء خوارزميتي شجرة القرار وآلة دعم المتجهات على بيانات طلاب جامعة مولانا مالك إبراهيم. من المتوقع أن تدعم هذه الدراسة الجامعة في إجراء تقييمات وتخطيط استراتيجي أكثر فعالية فيما يتعلق بتخرج الطلاب، كما تمثل أساساً لتطوير نماذج تنبؤية أكثر تطوراً لمؤسسات التعليم.