PERBANDINGAN HASIL METODE SUPPORT VECTOR MACHINE (SVM) DENGAN ENSEMBLE SMOTE BAGGING DAN SMOTE BOOSTING PADA DATA KELULUSAN MAHASISWA UNIMUS

MUMTAZAH, NABILA AFFAH, B2A017037 (2021) PERBANDINGAN HASIL METODE SUPPORT VECTOR MACHINE (SVM) DENGAN ENSEMBLE SMOTE BAGGING DAN SMOTE BOOSTING PADA DATA KELULUSAN MAHASISWA UNIMUS. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 1. Halaman Judul.pdf Download (267kB) | Preview
Preview	Text 2. Lembar Pengesahan pembimbing (SCAN).pdf Download (477kB) | Preview
Preview	Text 3. Lembar Pengesahan Skripsi (SCAN).pdf Download (543kB) | Preview
Preview	Text 6. ABSTRAK.pdf Download (670kB) | Preview
Preview	Text BAB I.pdf Download (597kB) | Preview
Preview	Text BAB II.pdf Download (1MB) | Preview
	Text BAB III.pdf Restricted to Repository staff only Download (942kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text BAB V.pdf Download (319kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (632kB) | Preview
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (836kB) | Request a copy
Preview	Text MANUSCRIPT INDONESIA.pdf Download (1MB) | Preview

Abstract

Imbalanced data merupakan suatu kondisi dimana jumlah dari data yang mempresentasikan satu kelas (minoritas) sangatlah kecil dibandingkan kelas lain (mayorits). Data yang digunakan dalam penelitian ini adalah data kelulusan mahasiswa unimus 2010-2020 yang berukuran besar yaitu 87 % data yang berada di kategori tepat waktu, sedangkan kategori tidak tepat waktu hanya 13% sehingga dikategorikan imbalanced data. Metode klasifikasi SVM tidak bisa mengatasi masalah tersebut karena akan bias terhadap kelas mayor dan memiliki kinerja rendah pada kelas minor. Sehingga membutuhkan metode baru untuk mengatasi masalah imbalanced data maka di perkenalkan metode smote bagging dan smote boosting. Tujuan menggunakan metode smote bagging dan smote boosting adalah untuk mengatasi permasalahan imbalanced dari hasil klasifikasi SVM yang diperoleh. Selain itu pada penelitian ini membagi data training dan testing dengan mengunakan 10-fold cross validation. Hasil dari klasifikasi dapat memberikan masukan kepada pihak Universitas Muhammadiyah Semarang dalam perumusan kebijakan dalam rangka meminimalisir lama studi kelulusan mahasiswa berdasarkan faktor-faktor yang mempengaruhinya. Hasil penelitian menunjukkan bahwa model smote bagging terpilih memiliki nilai g-mean sebesar 0.87721 yang artinya model sudah baik dalam menjelaskan ketepatan kelulusan mahasiswa dibandingkan smote boosting dengan g-mean sebesar 0.86779. Kata Kunci : Bagging, Boosting, SMOTE, SVM.

Actions (login required)

View Item