BAB V PENUTUP
5.1. Kesimpulan
Berdasarkan dari penelitian yang telah dilakukan, maka didapatkan kesimpulan sebagai berikut :
1. Metode Support Vector Machine dan metode Adaboost dapat dipergunakan untuk memprediksi mahasiswa berprestasi rendah Universitas Sanata Dharma Fakultas Sains dan Teknologi.
2. Pada penelitian prediksi mahasiswa berprestasi rendah ini didapatkan akurasi terbaik pada penggunaan model klasifikasi Adaboost sebesar 93,24% dengan menggunakan optimasi SVM pada kernel polynomial, nilai C = 0,01, nilai k-fold = 5, data hasil balancing, dan meggunakan 9 atribut terbaik (PenalaranVerbal, KemampuanNumerik, BahasaInggris, SKS1, IPS1, SKS2, IPS2, SKS3, IPS3). Sementara dengan menggunakan variasi pengujian yang sama, model klasifikasi SVM hanya mendapatkan akurasi sebesar 89,29%.
3. Dalam penelitian prediksi mahasiswa berprestasi rendah Universitas Sanata Dharma Fakultas Sains dan Teknologi, penggunaan algoritma SMOTE pada model klasifikasi Support Vector Machine tidak meningkatkan akurasi pada klasifikasi terhadap data imbalance.
4. Nilai C pada optimasi model klasifikasi SVM berdampak pada akurasi, namun perlu penelitian lebih lanjut mengenai nilai C yang terbaik untuk kasus prediksi mahasiswa berprestasi rendah Fakultas Sains dan Teknologi Universitas Sanata Dharma Fakultas Sains dan Teknologi.
Selain itu, pada penelitian ini dapat diketahui bahwa kernel polynomial menghasilkan rata-rata akurasi tertinggi pada klasifikasi data mahasiswa berprestasi rendah Universitas Sanata Dharma Fakultas Sains dan Teknologi.
70 5.2. Saran
Saran yang diberikan dari penelitian ini adalah :
1. Menggunakan nilai optimasi SVM lain seperti epsilon dan gamma (𝛾) untuk memaksimalkan kerja klasifikasi SVM.
2. Menggunakan algoritma balancing selain SMOTE atau menggunakan teknik kombinasi oversampling dan undersampling untuk meningkatkan akurasi pada model klasifikasi.
3. Menggunakan algoritma boosting lain.
4. Menggunakan nilai k-fold yang berbeda.
5. Menggunakan nilai C yang berbeda
6. Menggunakan model klasifikasi lain untuk pembanding akurasi.
66
DAFTAR PUSTAKA
Arwan , et. al. (2018). Synthetic Minority Over-samplingTechnique (SMOTE)
Algorithm for Handling Imbalanced Data.
https://mti.binus.ac.id/2018/06/08/synthetic-minority-over-sampling-technique-smote-algorithm-for-handling-imbalanced-data/.
Asogbon, et. al. (2016). A Multi-class Support Vector Machine Approach For
Students Academic Performance Prediction.
https://www.researchgate.net/publication/299279712_A_Multi-class_Support_Vector_Machine_Approach_for_Students_Academic_Perfor mance_Prediction.
Badan Akreditasi Nasional Perguruan Tinggi. (2011). Buku II Standar dan Prosedur Perguruan Tinggi.
Bisri, Achmad. (2015). Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree.
Efraim, Turban, Rainer, Kelly R and Potter, Richard. (2005). “Introduction to Information Thecnology”. 3rd Edition. USA : John Willey & Sons, Inc.
Enri, Ultach. (2018). Optimasi Parameter Support Vector Machines Untukprediksi Nilai Tukar Rupiah Terhadap Dollar Amerikaserikat.
67
Indrawati, et. al. (2016). Analisis Faktor Penentu Prestasi Belajar Mahasiswa Fakultas Ekonomi Dan Bisnis Universitas Udyana.
https://media.neliti.com/media/publications/100427-ID-analisis-faktor-penentu-prestasi-belajar.pdf.
Kamber, M., & Han, J. (2006). Data mining Concept and Techniques.San Fransisco: Morgan Kauffman.
Koco, Hariyo. (2012). Implementasi Algoritma Reduct Based Decision Tree Untuk Mengenali Pola Klasifikasi Mahasiswa yang Terkena Sisip Program.
Diakses dari: https://repository.usd.ac.id.
Kurniawan, D. (2013). Optimasi Algoritma Support Vector Machine (SVM) Menggunakan Adaboost Untuk Penilaian Resiko Kredit.
Kumar. (2021). Stop using SMOTE to handle all your Imbalanced Data.
https://towardsdatascience.com/stop-using-smote-to-handle-all-your-imbalanced-data-34403399d3be.
Larose, Daniel T. (2005). Discovering Knowledge in Data: An Introduction to Data mining.John Willey & Sons. Inc.
Listiana & Muslim. (2017). Penerapan Adaboost Untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi Pada Diagnosa Chronic Kidney Disease. https://docplayer.info/54258949-Penerapan-adaboost- untuk-klasifikasi-support-vector-machine-guna-meningkatkan-akurasi-pada-diagnosa-chronic-kidney-disease.html.
Meiryani. (2019). Memahami apa itu data mining?. Diakses dari https://accounting.binus.ac.id/2019/10/03/memahami-apa-itu-data-mining/.
Mulyati & Setiani. (2018). Indentifying Students` Academic And Personality
Types With Naive Bayes Classification.
https://media.neliti.com/media/publications/268944-identifying-students-academic-achievemen-a6c7c526.pdf.
68
Mulyati, Sri., Yulianti., Saifudin, Aries. (2017). Penerapan Resampling dan Adaboost untuk Penangganan Ketidakseimbangan Kelas Berbasis Naive Bayes Pada Prediksi Churn Pelanggan.
Nasrullah, Asmaul Husnah. (2018). Penerapan Metode C4.5 Untuk Klasifikasi
Mahasiswa Berpotensi Drop Out. Diakses dari:
http://download.garuda.ristekdikti.go.id.
Nugroho, Witarto, & Handoko. (2003). Support Vector Machine Teori dan Aplikasinya. http://asnugroho.net/papers/ikcsvm.pdf.
Nurhayati, Siti., Kusrini, & Luthfi, Emha Taufiq. (2015). Prediksi Mahasiswa Drop Out Menggunakan Metode Support Vector Machine. Diakses dari:
https://www.neliti.com/id/.
Prapat et. al. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak.
Prasetyo, E., (2014). Data mining Konsep dan Apliksi Menggunakan MATLAB, Andi, Yogyakarta.
Ratnasih, Ni Luh. (2019). Penerapan Algoritma K-Nearest Neighbour (K-NN) Untuk penentuan Mahasiswa Drop Out. Diakses dari:
https://jurnal.undhirabali.ac.id.
Riadi, Muchilisin. (2017). Pengertian, Fungsi, Proses dan Tahapan Data mining.
Diakses dari https://www.kajianpustaka.com/2017/09/data-mining.html.
Setiawan, Wahyudi. (2012). Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine (Tesis). Diakses dari: core.ac.uk.
Siringoringo, R. (2018). Klasifikasi Data Tidak Seimbang Menggunakan
Algoritma SMOTE dan K-Nearest Neighbor.
https://ejournal.medan.uph.edu/index.php/isd/article/viewFile/177/63.
69
Suyanto. (2019). Data Mining untuk Klasifikasi dan Klaterisasi Data. Bandung:
Penerbit INFORMATIKA.
Tempola, et. al. (2018). Perbandingan Klasifikasi Antara KNN Dan Naive Bayes Pada Penentuan Status Gunung Berapi Dengan K-Fold Cross Validation.
https://jtiik.ub.ac.id/index.php/jtiik/article/view/983/pdf.
Wibowo, Antoni. (2017). 10 Fold-Cross Validation.
https://mti.binus.ac.id/2017/11/24/10-fold-cross-validation/.
Windrawati, Anastasia Novia. (2020). Klasifikasi Varietas Kopi Arabika Menggunakan Metode Support Vector Machine (SVM) (Skripsi). Diakses dari : repository.usd.ac.id.
Zhou, Z.-H., & Yu, Y. (2009). The Top Ten Algorithms in Data mining. (X. Wu,
& V. Kumar, Eds.) Florida: Chapman & Hall/CRC.