PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK PREDIKSI WAKTU TUNGGU ALUMNI MENDAPATKAN PEKERJAAN

Abstract

ABSTRACT
The application of the website-based Tracer Study system at ITB STIKOM Bali is useful for tracking and getting feedback from alumni. The waiting time for alumni to get a job is one of the assessments of the Tracer Study system at STIKOM Bali. The data obtained from this assessment has not been optimally processed by STIKOM Bali. If you dig deeper, you can get a pattern to predict the waiting time for alumni to get a job. In this study, we tried to apply the Support Vector Machine (SVM) algorithm in classifying alumni work waiting time. SVM is a method in supervised learning which is usually used for classification (such as Support Vector Classification) and regression (Support Vector Regression). In classification modeling, SVM has a more mature and clearer concept mathematically compared to other classification techniques. Sample data were obtained from the STIKOM Bali Tracer Study system, with a total of 1240 data consisting of 7 categorical type attributes. The trial of this SVM algorithm model uses WEKA tools with 10 folds cross-validation. The test results show an accuracy rate of 48.629%, where out of 1240 test data, 603 data were successfully classified correctly
Keywords: tracer study, alumni, svm, waiting time for work.
ABSTRAK
Penerapan sistem Tracer Study berbasis website di ITB STIKOM Bali berguna untuk melakukan pelacakan dan mendapatkan umpan balik dari alumni. Waktu tunggu alumni dalam memperoleh pekerjaan merupakan salah satu penilaian dari sistem Tracer Study di STIKOM Bali. Data yang diperoleh dari penilaian ini belum diolah secara optimal oleh pihak STIKOM Bali. Jika digali lebih mendalam, maka bisa didapatkan suatu pola untuk memprediksi waktu tunggu alumni dalam memperoleh pekerjaan. Pada penelitian ini mencoba menerapkan algoritma Support Vector Machine (SVM) dalam melakukan proses klasifikasi waktu tunggu kerja alumni. SVM merupakan salah satu metode dalam supervised learning yang biasanya digunakan untuk klasifikasi (seperti Support Vector Classification) dan regresi (Support Vector Regression). Dalam pemodelan klasifikasi, SVM memiliki konsep yang lebih matang dan lebih jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi lainnya. Data sampel diperoleh dari sistem Tracer Study STIKOM Bali, dengan jumlah data 1240 terdiri dari 7 atribut bertipe kategorikal. Uji coba model algoritma SVM ini menggunakan tools WEKA dengan 10 folds cross-validation. Hasil uji coba menunjukan tingkat akurasi yang dihasilkan sebesar 48.629%, dimana dari 1240 data uji, 603 data berhasil diklasifikasi dengan benar
Kata Kunci : tracer study, alumni, svm, waktu tunggu kerja.