ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN DECISION TREE UNTUK PREDIKSI STATUS KELULUSAN MAHASISWA BERDASARKAN IPK

Abstrak

ABSTRAK

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan Decision Tree, dalam memprediksi status kelulusan mahasiswa berdasarkan Indeks Prestasi Kumulatif (IPK) serta pemenuhan persyaratan akademik seperti sertifikat TOEFL, BNSP, dan vendor. Dataset yang digunakan bersumber dari platform Kaggle dan dianalisis menggunakan perangkat lunak Orange. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, AUC, dan MCC. Hasilnya menunjukkan bahwa Decision Tree memiliki akurasi 100% sementara SVM memiliki akurasi 99,7% dengan satu kesalahan klasifikasi. Meskipun Decision Tree lebih akurat dalam dataset ini, algoritma SVM menunjukkan kestabilan yang lebih baik terhadap data baru. Penelitian ini diharapkan menjadi acuan dalam pengembangan sistem prediktif akademik berbasis data.

This study aims to analyze and compare the performance of two machine learning algorithms, Support Vector Machine (SVM) and Decision Tree, in predicting student graduation status based on GPA and academic requirements such as TOEFL, BNSP, and vendor certifications. The dataset used was obtained from Kaggle and analyzed using Orange software. Evaluation metrics include accuracy, precision, recall, F1-score, AUC, and MCC. The results showed that Decision Tree achieved 100% accuracy while SVM achieved 99.7% with only one misclassification. Although Decision Tree yielded perfect results, it is more prone to overfitting compared to the more generalizable SVM. This research is expected to serve as a reference for the development of data-driven academic predictive systems.