Pemodelan Klasifikasi Lama Waktu Pencapaian Jabatan Fungsional Lektor Kepala menggunakan Optimizer Parameter Support Vector Machine

ANDY SUPRIYADI, MUHAMMAD ASRI SAFI'IE

Sari


ABSTRAK

Pemenuhan dosen dengan jabatan fungsional lektor kepala dan guru besar menjadi sangat penting dalam memperoleh akreditasi unggul bagi perguruan tinggi. Salah satu upaya pemenuhan dengan melakukan klasifikasi dosen dari sisi lama waktu pencapaian jabatan fungsional lektor kepala dari lektor pada Universitas Sebelas Maret dibagi menjadi tiga, yaitu cepat, sedang, dan lambat. Variabel yang digunakan dalam klasifikasi antara lain usia, tempat studi, lama studi, international research, sertifikasi dosen, jabatan structural dan bidang ilmu dari staf pengajar. Penelitian ini melakukan klasifikasi menggunakan algoritma Support Vector Machine dengan dataset sejumlah 520 data. K-fold Cross Validation digunakan untuk membagi dataset menjadi data latih dan data uji, dengan k=5. Hasil pengujian model diperoleh rata-rata akurasi terbaik menggunakan Support Vector Machine sebesar 86.39% dengan Optimizer Parameter sedangkan rata-rata akurasi Support Vector Machine tanpa parameter sebesar 80.92%.

Kata kunci: klasifikasi, jabatan fungsional, Support Vector Machine, K-fold Cross Validation

 

ABSTRACT

The fulfillment of lectures on achieving associate professor and professor position holds tremendous significance for gaining excellent institution Accreditation Predicate. Sebelas Maret Univesity took measures to achieve this objective by carrying out thorough the classification on the length of achieving associate professor from instructor position and split into 3 grades namely fast, medium and slow. The features used for conducting the classification are age, place of study, the length of the study, the amount of international publication, lecturer certification, lecturer’s structural position and field of study. In this study, the Support Vector Machine algorithm was utilized to classify a dataset consisting of 520 data. To ensure reliable results, K-fold Cross Validation was applied to divide the dataset into training and test data, with k=5. The evaluation of the model's performance revealed that the Support Vector Machine achieved an impressive average accuracy of 86.39%. In contrast, the average accuracy of the Support Vector Machine to 80.92% without parameters.

Keywords: classification, associate lectures position, support vector machine, K-fold Cross Validation


Kata Kunci


klasifikasi; jabatan fungsional; Support Vector Machine; K-fold Cross Validation

Teks Lengkap:

PDF

Referensi


Ahmad, I., Basheri, M., Iqbal, M. J., & Rahim, A. (2018). Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection. IEEE Access, 6, 33789–33795. https://doi.org/10.1109/ACCESS.2018.2841987

Amalia, D. H., & Yustanti, W. (2021). Klasifikasi Buku Menggunakan Metode Support Vector Machine pada Digital Library. Journal of Informatics and Computer Science (JINACS), 3(01). https://doi.org/10.26740/jinacs.v3n01.p55-61

Azhar, Y., Firdausy, A. K., & Amelia, P. J. (2022). Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke. SINTECH (Science and Information Technology) Journal, 5(2). https://doi.org/10.31598/sintechjournal.v5i2.1222

Fuadah, Y. N., Ubaidullah, I. D., Ibrahim, N., Taliningsing, F. F., SY, N. K., & PRAMUDITHO, M. A. (2022). Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 10(3). https://doi.org/10.26760/elkomika.v10i3.728

Géron, A. (2019). Hands-on Machine Learning whith Scikit-Learing, Keras and Tensorfow. In O’Reilly Media, Inc.

Lombu, A. S., Hidayat, S., & Hidayatullah, A. F. (2022). Pemodelan Klasifikasi Gaji Menggunakan Support Vector Machine. Journal of Computer System and Informatics (JoSYC), 3(4). https://doi.org/10.47065/josyc.v3i4.2137

Monika, I. P., & Furqon, M. T. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10).

Naufal, A. R., Satria, R., & Syukur, A. (2015). Penerapan Bootstrapping untuk Ketidakseimbangan Kelas dan Weighted Information Gain untuk Feature Selection pada Algoritma Support Vector Machine untuk Prediksi Loyalitas Pelanggan. Journal of Intelligent Systems, 1(2).

Park, K. J. (2021). Determining the tiers of a supply chain using machine learning algorithms. Symmetry, 13(10). https://doi.org/10.3390/sym13101934

Permenpan No 17 Tahun 2013. (2013). PERMENPAN NOMOR 17 TAHUN 2013.

Pratama, F., Nasir, M., & Sauda, S. (2020). Implementasi Metode Klasifikasi Dengan Algoritma Support Vector Machine Untuk Menentukan Stok Persediaan Barang Pada Koperasi Karyawan Pangan Utama. Journal of Software Engineering Ampera, 1(2). https://doi.org/10.51519/journalsea.v1i2.46

Rizal, R. A., Girsang, I. S., & Prasetiyo, S. A. (2019). Klasifikasi Wajah Menggunakan Support Vector Machine (SVM). REMIK (Riset Dan E-Jurnal Manajemen Informatika Komputer), 3(2). https://doi.org/10.33395/remik.v3i2.10080

Rumpun, K., Asn, J., Riwayat, B., Arifah, A. N., Suprijadi, J., Ginanjar, I., & Padjadjaran, U. (2022). Pelatihan Menggunakan Multiclass Support Vector Machine. Jurnal BIAStatistics, 1(1). http://prosiding.statistics.unpad.ac.id

Samudra, J. T., Hayadi, B. H., & Ramadhan, P. S. (2022). Komparasi 3 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Kenaikan Jabatan. J-SISKO TECH (Jurnal Teknologi Sistem Informasi Dan Sistem Komputer TGD), 5(2). https://doi.org/10.53513/jsk.v5i2.5642

Sihombing, P. R. (2020). Perbandingan Metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM) untuk Klasifikasi Kinerja Perusahaan Daerah Air Minum (PDAM) di Indonesia. Jurnal Ilmu Komputer, 13(1). https://doi.org/10.24843/jik.2020.v13.i01.p02

Sri wahyuni, N. W. (2019). Penerapan Metode Klasifikasi Support Vector Machine (Svm) Untuk Menentukan Karyawan Putus Kontrak Pada Pt. Tae Hang Indonesia. Jurnal Informatika SIMANTIK, 4(September).

Supriyadi, A. (2021). Model Klasifikasi Lama Waktu Pencapaian Jabatan Fungsional Lektor Kepala Menggunakan Metode Naive Bayes (Studi Kasus Universitas Sebelas Maret).

Universitas Sebelas Maret. (2018). Borang Akreditasi UNS.

Widi Winjani, & Muhamad Fatchan. (2022). Pendekatan Algorithma Svm Untuk Menentukan Kenaikan Gaji. Jurnal Informatika Teknologi Dan Sains, 4(2), 114–117. https://doi.org/10.51401/jinteks.v4i2.2027




DOI: https://doi.org/10.26760/elkomika.v11i4.879

Refbacks

  • Saat ini tidak ada refbacks.


_______________________________________________________________________________________________________________________

ISSN (cetak) : 2338-8323 | ISSN (elektronik) : 2459-9638

diterbitkan oleh :

Teknik Elektro Institut Teknologi Nasional Bandung

Alamat : Gedung 20 Jl. PHH. Mustofa 23 Bandung 40124

Kontak : Tel. 7272215 (ext. 206) Fax. 7202892

Surat Elektronik : jte.itenas@itenas.ac.id________________________________________________________________________________________________________________________

Statistik Pengunjung

Free counters!

Web Analytics Made Easy - StatCounter

Lihat Statistik Jurnal

Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License