KLASIFIKASI JALUR MINAT SISWA MENGGUNAKAN ALGORITME SUPPORT VECTOR MACHINE (SVM) (KASUS: SMA NEGERI 1 DAN SMA NEGERI 2 SRAGEN)

THEOPILUS BAYU S, Adhistya Erna Permanasari, S.T., M.T., Ph.D, Indriana Hidayah, S.T., M.T

2014 | Tesis | S2 Teknik Elektro

Membimbing peserta didik untuk memilih jalur peminatan yang tepat sangat penting dalam jenis pembelajaran apapun. Baik itu pembelajaran konvensional maupun pembelajaran jarak jauh. Keterlambatan mengetahui jalur peminatan yang tepat bagi peserta didik adalah suatu kerugian, baik peserta didik maupun bagi lembaga yang bersangkutan. Peminatan pada lembaga sekolah dijenjang SMA saat ini berbasis pada prosedur peminatan Kurikulum 2013 yang telah ditetapkan oleh Kementerian Pendidikan dan Kebudayaan. Tetapi pada kenyataannya belum semua SMA menerapkan standar peminatan kurikulum 2013 sesuai yang ditetapkan oleh pihak Kementerian Pendidikan dan Kebudayaan, hal ini sedikit banyak dikarenakan oleh kebijakan mengenai pemenuhan kuota kelas pada tiap bidang minat. Pada penelitian ini dibangun suatu model sistem klasifikasi perminatan dengan menggunakan metode Support Vector Machines (SVM) di jenjang SMA, khususnya di SMA Negeri 1 dan SMA Negeri 2 Sragen. Pengklasifikasian peminatan kasus SMA Negeri 1 dan SMA Negeri 2 Sragen dibedakan menjadi dua kelas yaitu: IPA dan IPS. Pembangunan model klasifikasi dengan menganalisis metode terutama pada pengaruh perubahan berbagai fungsi kernel dan faktor pinalti (C) terhadap performansi klasifikasi SVM pada library mySVM yang terdapat pada aplikasi Rapidminer meliputi kernel dot, radial, polynomial, neural, anova, epacheninikov, gaussian combination, dan multiquadric kernel. Dilakukan evaluasi uji performansi model yang meliputi akurasi, presisi, recall, kurva ROC (AUC). Dengan menggunakan data training peminatan SMA Negeri 1 Sragen diperoleh empat kernel terbaik yaitu anova, radial, gaussian combination, dan dot. Keempat kernel ini kemudian dievaluasi dengan menggunakan uji statistik ANOVA dan post hoc test untuk mendapatkan signifikansi dan performansi kernel yang terbaik. Hasil penelitian pada proses pembangunan model setelah melalui tahap evaluasi ANOVA menunjukan bahwa terdapat perbedaan signifikansi antara kernel anova, radial, gaussian combination dan dot. Dengan menggunakan uji lanjut post hoc test didapatkan akurasi performansi terbaik diperoleh pada kernel anova dengan parameter C (faktor pinalti) 5.0 dengan tingkat rata-rata akurasi sebesar 98.62%. Model yang telah dibangun kemudian digunakan sebagai proses prediksi pada data testing peminatan calon peserta didik di SMA Negeri 2 Sragen. Hasil menunjukan kernel anova dengan parameter C (faktor pinalti) 5.0 mampu mengklasifikasikan data peminatan calon peserta didik SMA Negeri 2 Sragen dengan tingkat akurasi sebesar 88.6%. Hasil performansi yang tinggi tersebut diharapkan dapat diterapkan di berbagai sekolah lain di jenjang SMA.

Guiding students to choose major classification is a very critical factor in many kinds of learning methods, such as conventional learning and distance learning. Tardiness for knowing major classification become disadvantage for students and school institutions. Currently, major classification in senior high school (SMA) based on curriculum 2013. But in the fact, not yet all senior high school apply this standard because quota policy on the class of each field interests. In this research a model for determining the major classification in high school by applying Support Vector Machines (SVM). It used two cases in SMA Negeri 1 Sragen and SMA Negeri 2 Sragen. The major classification in SMA Negeri 1 Sragen and SMA Negeri 2 Sragen were divided into two classes: science major (IPA), and social major (IPS). The classification model was constructed by analyzing the effect of changes in the kernel of SVM, especially on the penalty factor (C) to SVM classification performance in the mySVM library. Some kernels were used that be provided by mySVM library. There were dot kernel, radial, polynomial, neural, anova, epacheninikov, gaussian combination, and multiquadric kernel. Evaluation of the classifiers performance included accuracy, precision, recall, and ROC curve (AUC) using data training major classification in SMA Negeri 1 Sragen. Among tested kernel, four kernels obtained high performance. There were anova kernel, radial kernel, gaussian combination kernel, and dot kernel. ANOVA statistical test and post hoc test were applied to the kernels. It resulted anova kernel with parameter C (penalty factor) 5.0 as the best kernel with accuracy rate was 98.62%. Finally, anova kernel used in the data testing of SMA Negeri 2 Sragen. The result show that anova kernel tested on data testing with parameter C (penalty factor) 5.0 get accuracy rate 88.6%.

Kata Kunci : SVM, kernel, klasifikasi peminatan siswa