KLASIFIKASI PRESTASI AKADEMIK MAHASISWA BERDASARKAN …

KLASIFIKASI PRESTASI AKADEMIK MAHASISWA BERDASARKAN

HASIL TES POTENSI AKADEMIK MENGGUNAKAN

SUPPORT VECTOR MACHINE

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer Program Studi Informatika

Oleh:

Agustinus Handaya Ajitama

175314096

PROGRAM STUDI INFORMATIKA

JURUSAN INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANTA DHARMA

YOGYAKARTA

2021

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

CLASSIFICATION OF STUDENT ACHIEVEMENT BASED ON

THE RESULTS OF ACADEMIC POTENTIAL TEST USING

SUPPORT VECTOR MACHINE

THESIS

Presented as Partial Fulfillment of The Requirements

To Obtain the Sarjana Komputer Degree in Informatics Study Program

By:

Agustinus Handaya Ajitama

175314096

INFORMATICS STUDY PROGRAM

DEPARTMENT OF INFORMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2021


iii


iv


v

HALAMAN PERSEMBAHAN

“Lakukanlah yang terbaik saat ini dengan sekuat tenaga dan semaksimal

kemampuan yang dimiliki, karena hari ini tidak bisa diulang kembali pada esok

hari dan selalu syukuri setiap hasil kemampaun yang telah dicapai”

Dengan segala puji dan syukur, kupersembahkan skripsi ini kepada:

Tuhan Yesus dan Bunda Maria,

Keluarga,

Sahabat


vi


vii


viii

ABSTRAK

Nilai Tes Potensi Akademik (TPA) merupakan salah satu tes yang

digunakan untuk menyeleksi calon mahasiswa sebagai pengklasifikasi prestasi

akademik dan mengetahui tingkat kemampuan mahasiswa selama kegiatan

perkuliahan berlangsung. Tujuan penelitian ini untuk mengklasifikasi prestasi

akademik mahasiswa berdasarkan hasil Tes Potensi Akademik (TPA). Penelitan ini

menggunakan data mahasiswa Fakultas Keguruan dan Ilmu Pendidikan (FKIP)

Universitas Sanata Dharma angkatan 2015 dan 2016. Nilai TPA dan IPK semester

1 hingga 4 merupakan data yang digunakan dalam penelitian ini. Pada penelitian

ini variasi dalam pengujian yaitu pada fold, kernel, multiclass, dan outlier. Fold

yang digunakan dalam pengujian ini yaitu 3 fold, 5 fold, 7 fold, dan 9 fold. Kernel

yang digunakan dalam pengujian ini yaitu linear, rbf, dan polynomial. Multiclass

yang digunakan dalam pengujian ini yaitu one against one dan one against all.

Variasi pengujian lainnya yaitu data yang dilakukan deteksi outlier dan tidak

dilakukan deteksi outlier. Penelitian ini menggunakan metode Support Vector

Machine dengan akurasi tertinggi pada program studi Pendidikan Fisika pada IPK

4 yang sudah dikenai deteksi outlier, multiclass one against one dan one against

all, kernel rbf, dan 9 fold menghasilkan akurasi 80%.

Kata Kunci: Data Mining, Klasifikasi, Algoritma Support Vector Machine, Tes

Potensi Akademik


ix

ABSTRACT

Academic Potential Test is one of the tests used to select prospective

students as a classifier of academic achievement and to determine the level of

student ability during her/his study. The purpose of this research is to classify

student academic achievement based on the results of the Academic Potential Test.

This research uses data from students of the Faculty of Teacher Training and

Education (FKIP) of Sanata Dharma University batch 2015 and 2016. The APT and

GPA values for semesters 1 to 4 are the data used in this research. In this research

variations in experiments are on fold, kernel, multiclass, and outlier. Folds used in

this experiment are 3 fold, 5 fold, 7 fold, and 9 fold. The kernels used in this

experiment are linear, rbf, and polynomial. The multiclasses used in this experiment

are one against one and one against all. Other variations of experiments are data

conducted outlier detection and not outlier detection. This research uses the Support

Vector Machine method with the highest accuracy in the Physics Education study

program at a GPA of 4 which has been subjected to outlier detection, multiclass one

against one and one against all, kernel rbf, and 9 fold resulting in 80% accuracy.

Keywords: Data Mining, Classification, Support Vector Machine Algorithm,

Academic Potential Test Score


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas

rahmat yang telah diberikan, sehingga penulis dapat menyelesaikan skripsi dengan

judul “Klasifikasi Prestasi Akademik Mahasiswa Berdasarkan Tes Potensi

Akademik Menggunakan SVM (Support Vector Machine)”. Penulis menyadari

bahwa skripsi ini dapat selesai dengan bimbingan dan bantuan dari berbagai pihak.

Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:

1. Tuhan Yesus Kristus dan Bunda Maria yang telah menyertai dan

mendampingi dalam setiap langkah kehidupan untuk menentukan pilihan

yang akan diambil.

2. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku dosen pembimbing

yang selalu membimbing dan mengarahkan selama penyusunan skripsi.

3. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku Ketua Program Studi

Informatika yang selalu memberikan dukungan dan saran dalam

perkuliahan.

4. Kedua orang tua, adik, serta keluarga yang telah memberikan semangat dan

dukungan selama menempuh perkuliahan.

5. Laurensius Setiawan dan Gregorius Setiadi yang selalu memberikan

semangat dan motivasi dalam segala kondisi.

6. Fransiska Annalisa Christiana H. yang selalu setia berjuang bersama dan

saling memotivasi dalam segala kondisi dari awal perkuliahan hingga

mendapatkan gelar sarjana komputer.

7. 4 teman yang tidak bisa disebutkan namanya yang selalu memberikan

masukan dan semangat dalam perjalanan kuliah hingga skripsi bersama-

sama.

8. Teman-teman Informatika angkatan 17 yang memberikan dukungan dan

motivasi secara langsung maupun tidak langsung selama kuliah di

Universitas Sanata Dharma.

9. Semua pihak yang tidak dapat disebutkan satu per satu.


xi

Penulis menyadari bahwa skripsi ini jauh dari kata sempurna, maka kritik

dan saran yang bersifat membangun dari berbagai pihak sangat diharapkan.

Akhir kata, penulis berharap skrpsi ini bermanfaat bagi semua pihak.

Yogyakarta, 11 Juli 2021

Penulis,


xii

DAFTAR ISI

HALAMAN JUDUL……………………………………………………………...i

HALAMAN PERSETUJUAN…………………………………..……...............iii

HALAMAN PENGESAHAN…………………………………………...............iv

HALAMAN PERSEMBAHAN ............................................................................ v

PERNYATAAN KEASLIAN KARYA………………………………………...vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI…………………vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ............................................................................................................ ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ........................................................................................... xxviii

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .................................................................................... 1

1.2 Rumusan Masalah .............................................................................. 3

1.3 Tujuan Penelitian ................................................................................ 4

1.4 Batasan Masalah ................................................................................. 4

1.5 Manfaat Penelitian .............................................................................. 4

1.6 Sistematika Penulisan ......................................................................... 4

BAB II TINJAUAN PUSTAKA ........................................................................... 6

2.1 Penambangan Data ............................................................................. 6

2.2 Klasifikasi ............................................................................................ 7

2.3 Support Vector Machine (SVM) ......................................................... 8

2.4 Multi Class SVM................................................................................ 15

2.4.1 One-against-all (Satu lawan semua) .................................................... 15

2.4.2 One-against-one (satu lawan satu) ....................................................... 16

2.5 K-Fold Cross Validation .................................................................... 18

2.6 Confusion Matrix ............................................................................... 19

2.7 Normalisasi ........................................................................................ 20

2.8 Deteksi Outlier ................................................................................... 21

2.9 Prestasi Akademik ............................................................................ 23


xiii

BAB III METODOLOGI PENELITIAN ......................................................... 24

3.1 Bahan penelitian/Data ...................................................................... 24

3.2 Tahap – Tahap Penelitian ................................................................ 25

3.2.1 Data Mentah ............................................................................................ 31

3.2.2 Integrasi Data .................................................................................. 31

3.2.3 Pembersihan Data ................................................................................... 31

3.2.4 Transformasi Data .................................................................................. 31

3.2.5 Pembagian Data ...................................................................................... 33

3.2.6 Klasifikasi Support Vector Machine .................................................... 34

3.3 Desain Antarmuka ............................................................................ 41

3.3.1 Proses Input GUI .................................................................................... 42

3.3.2 Proses Ouput GUI ........................................................................... 42

3.4 Spesifikasi Alat .................................................................................. 42

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ..................................... 43

4.1 Preprocessing ..................................................................................... 43

4.2 Implementasi ..................................................................................... 44

4.3 Pengujian ........................................................................................... 47

4.2.1 Percobaan Pada program studi Bimbingan dan Konseling ............. 48

4.2.2 Percobaan Pada program studi Ilmu Pendidikan Agama Katolik .. 59

4.2.3 Percobaan Pada program studi Pendidikan Akutansi ....................... 70

4.2.4 Percobaan Pada program studi Pendidikan Bahasa Inggris ............ 81

4.2.5 Percobaan Pada program studi Pendidikan Biologi ......................... 92

4.2.6 Percobaan Pada program studi Pendidikan Bahasa dan Sastra

Indonesia ............................................................................................................. 103

4.2.7 Percobaan Pada program studi Pendidikan Ekonomi .................... 114

4.2.8 Percobaan Pada program studi Pendidikan Fisika .......................... 125

4.2.9 Percobaan Pada program studi Pendidikan Guru Sekolah Dasar . 136

4.2.10 Percobaan Pada program studi Pendidikan Matematika ............... 147

4.2.11 Percobaan Pada program studi Pendidikan Sejarah ....................... 158

4.2.12 Percobaan Pada Fakultas Guruan dan Ilmu Pendidikan ................ 169

4.3 Analisis Hasil Keseluruhan Pengujian .......................................... 180

BAB V PENUTUP ............................................................................................. 191

5.1 Kesimpulan ...................................................................................... 191


xiv

5.2 Saran ................................................................................................ 191

DAFTAR PUSTAKA ........................................................................................ 192

DAFTAR GAMBAR


xv

Gambar 2.1 Hyperplane…………………………………………………….. 8

Gambar 2.2 Margin Hyperplane……………………………………………. 9

Gambar 2.3 Visualisasi Hyperplane………………………………………… 13

Gambar 2.4 Hasil Klasifikasi……………………………………………….. 14

Gambar 2.5 Skema klasifikasi menggunakan metode one-against-all……... 16

Gambar 2.6 Skema klasifikasi menggunakan metode one-against-one…….. 17

Gambar 2.7 Ilustrasi pembagian data 3-Fold Cross Validation…………….. 18

Gambar 2.8 Mengidentifikasi pengamatan normal vs abnormal……………. 22

Gambar 3.1 Skema Penelitian………………………………………………. 25

Gambar 3.2 Variasi pengujian Tanpa Deteksi Outlier – One Against One…. 27

Gambar 3.3 Variasi pengujian Tanpa Deteksi Outlier – One Against All…... 28

Gambar 3.4 Variasi pengujian Deteksi Outlier – One Against One………… 29

Gambar 3.5 Variasi pengujian Deteksi Outlier – One Against All………….. 30

Gambar 3.6 Klasifikasi dengan 4 kelas……………………………………... 34

Gambar 3.7 Kelas A dan Kelas B…………………………………………… 35

Gambar 3.8 Kelas A dan Kelas C…………………………………………… 36

Gambar 3.9 Kelas A dan Kelas D…………………………………………... 36

Gambar 3.10 Kelas B dan Kelas C…………..……………………………… 37

Gambar 3.11 Kelas B dan Kelas D…………..……………………………… 37

Gambar 3.12 Kelas C dan Kelas D…………..……………………………… 38

Gambar 3.13 Kelas A lawan Kelas B, Kelas C, dan Kelas D………………. 39

Gambar 3.14 Kelas B lawan Kelas A, Kelas C, dan Kelas D………………. 40

Gambar 3.15 Kelas C lawan Kelas A, Kelas B, dan Kelas C………………. 40

Gambar 3.16 Kelas D lawan Kelas A, Kelas B, dan Kelas C………………. 41

Gambar 3.17 Desain Antarmuka……………………………………………. 41

Gambar 4.1 GUI Program klasifikasi………………………………………. 44

Gambar 4.2 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-

One, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling. 48

Gambar 4.3 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-



xvi






All, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling... 51








One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 54








All, Deteksi Outlier pada program Studi Bimbingan dan Konseling……….. 56








One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama

Katolik………………………………………………………………………. 59



Katolik………………………………………………………………………. 60



Katolik………………………………………………………………………. 60


xvii



Katolik………………………………………………………………………. 61


All, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama

Katolik………………………………………………………………………. 62



Katolik………………………………………………………………………. 62



Katolik………………………………………………………………………. 63



Katolik………………………………………………………………………. 64


One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 65




One, Deteksi Outlier pada program Ilmu Pendidikan Agama Katolik……... 66




All, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik… 68








One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 70






xviii




All, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi……… 73








One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 76




One, Deteksi Outlier pada program Pendidikan Akutansi………………….. 77




All, Deteksi Outlier pada program Studi Pendidikan Akutansi……………... 78








One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 81




One, Tanpa Deteksi Outlier pada program Studi Pendidikan Pendidikan

Bahasa Inggris………………………………………………………………. 82




All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris.. 84


xix








One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 87




One, Deteksi Outlier pada program Pendidikan Bahasa Inggris…………… 88




All, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris………. 89




All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa

Inggris……………………………………………………………………….. 91




One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……… 92





Biologi………………………………………………………………………. 93




All, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……….. 95






xx




One, Deteksi Outlier pada program Studi Pendidikan Biologi……………... 98




One, Deteksi Outlier pada program Pendidikan Biologi……………............ 99




All, Deteksi Outlier pada program Studi Pendidikan Biologi……………..... 101




All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Biologi….. 102




One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan

Sastra Indonesia……………........................................................................... 103






Bahasa dan Sastra Indonesia……………....................................................... 104





All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan







Sastra Indonesia……………………………………………………………... 107


xxi





One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra

Indonesia……………..................................................................................... 109



Indonesia……………..................................................................................... 109


One, Deteksi Outlier pada program Pendidikan Bahasa dan Sastra

Indonesia……………..................................................................................... 110



Indonesia……………..................................................................................... 111


All, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra

Indonesia……………..................................................................................... 111



Indonesia……………..................................................................................... 112


All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa dan

Sastra Indonesia……………………………………………………………... 113



Indonesia……………..................................................................................... 113


One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 114



Gambar 4.100 Grafik akurasi menggunakan 7-Fold, Multiclass One-

Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan

Pendidikan Ekonomi………………………………………………………... 116



Ekonomi……………...................................................................................... 116


Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan

Ekonomi……………...................................................................................... 117


xxii



Ekonomi……………...................................................................................... 117



Ekonomi……………...................................................................................... 118



Ekonomi……………...................................................................................... 119


Against-One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…... 120




Against-One, Deteksi Outlier pada program Pendidikan Ekonomi………… 121




Against-All, Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 122




Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan

Ekonomi……………...................................................................................... 124




Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika. 125





Pendidikan Fisika…………………………………………………………… 126




Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika... 127


xxiii


Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika.. 128






Against-One, Deteksi Outlier pada program Studi Pendidikan Fisika……… 131




Against-One, Deteksi Outlier pada program Pendidikan Fiska…………….. 132




Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika……….. 133


Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika……….. 134



Fisika……………........................................................................................... 135


Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika 135


Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru

Sekolah Dasar…………….............................................................................. 136



Sekolah Dasar…………….............................................................................. 137



Pendidikan Guru Sekolah Dasar…………………………………………….. 137



Sekolah Dasar…………….............................................................................. 138


Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru

Sekolah Dasar…………….............................................................................. 139


xxiv



Sekolah Dasar…………….............................................................................. 139



Sekolah Dasar…………….............................................................................. 140



Sekolah Dasar…………….............................................................................. 141


Against-One, Deteksi Outlier pada program Studi Pendidikan Guru

Sekolah Dasar…………….............................................................................. 142



Sekolah Dasar…………….............................................................................. 142


Against-One, Deteksi Outlier pada program Pendidikan Guru Sekolah

Dasar………………………………………………………………………… 143



Sekolah Dasar…………….............................................................................. 144


Against-All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah

Dasar………………………………………………………………………… 145



Dasar………………………………………………………………………… 145



Guru Sekolah Dasar……………………………………………………......... 146



Dasar………………………………………………………………………… 146



Matematika………………………………………………………………….. 147



Matematika………………………………………………………………….. 148


xxv



Pendidikan Matematika……………………………………………………... 148



Matematika………………………………………………………………….. 149



Matematika………………………………………………………………….. 150



Matematika………………………………………………………………….. 150



Matematika………………………………………………………………….. 151



Matematika………………………………………………………………….. 152


Against-One, Deteksi Outlier pada program Studi Pendidikan Matematika.. 153




Against-One, Deteksi Outlier pada program Pendidikan Matematika……… 154




Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika 155


Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika… 156



Matematika………………………………………………………………….. 157


Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika… 157



Sejarah………………………………………………………………………. 158


xxvi



Sejarah………………………………………………………………………. 159



Pendidikan Sejarah………………………………………………………….. 159



Sejarah………………………………………………………………………. 160


Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah. 161








Against-One, Deteksi Outlier pada program Studi Pendidikan Sejarah…….. 164




Against-One, Deteksi Outlier pada program Pendidikan

Sejarah……………. 165




Against-All, Deteksi Outlier pada program Studi Pendidikan

Sejarah………. 166



Sejarah………. 167



Sejarah………………………………………………………………………. 168



Sejarah………………………………………………………………………. 168


xxvii


Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu

Pendidikan…………………………………………………………………... 169



Pendidikan…………………………………………………………………... 170



Pendidikan…………………………………………………………………... 170



Pendidikan…………………………………………………………………... 171


Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu

Pendidikan…………………………………………………………………... 172



Pendidikan…………………………………………………………………... 172



Pendidikan…………………………………………………………………... 173



Pendidikan…………………………………………………………………... 174


Against-One, Deteksi Outlier pada Fakultas Guruan dan Ilmu

Pendidikan…………………………………………………………………... 175



Pendidikan…………………………………………………………………... 175



Pendidikan…………………………………………………………………... 176



Pendidikan…………………………………………………………………... 177


Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu

Pendidikan…………………………………………………………………... 177


xxviii



Pendidikan…………………………………………………………………... 178



Pendidikan…………………………………………………………………... 179



Pendidikan…………………………………………………………………... 179

DAFTAR TABEL

Tabel 2.1 Contoh data sampel………………………………………………. 11


xxix

Tabel 2.2 Plot hyperplane…………………………………………………... 12

Tabel 2.3 Klasifikasi………………………………………………………… 13

Tabel 2.4 Contoh kombinasi biner 4 kelas dengan metode one-against-all... 15

Tabel 2.5 Contoh kombinasi biner 4 kelas dengan metode one-against-one.. 17

Tabel 2.6 Ukuran evaluasi model klasifikasi……………………………….. 19

Tabel 2.7 Confusion Matrix…………………………………………………. 20

Tabel 3.1 Penjelasan Atribut dan Contoh Data……………………………... 24

Tabel 3.2 Nama dan Jangkauan Nilai Data Mahasiswa…………………….. 31

Tabel 3.3 Predikat Kualifikasi Yudisium…………………………………… 32

Tabel 3.4 Contoh Hasil Transformasi Data…………………………………. 33

Tabel 4.1 Data Sebelum Transformasi……………………………………… 43

Tabel 4.2 Data Setelah Transformasi……………………………………….. 43

Tabel 4.3 Ketentuan Pengujian Fold………………………………………... 47

Tabel 4.4 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-One,

Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 48







Tabel 4.8 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,








Tabel 4.12 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-



xxx








Deteksi Outlier pada program Studi Bimbingan dan Konseling……………. 56









Katolik………………………………………………………………………. 59



Katolik………………………………………………………………………. 59



Katolik………………………………………………………………………. 60



Katolik………………………………………………………………………. 61


Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik 61










xxxi








Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik……... 67










One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Akutansi. 70






Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi………….. 72












xxxii






Deteksi Outlier pada program Studi Pendidikan Akutansi…………………. 78
















Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……. 83














xxxiii




Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……............ 89


Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa Inggris 90






One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi…….... 92








Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……............. 94








One, Deteksi Outlier pada program Studi Pendidikan Biologi……............... 97








xxxiv


Deteksi Outlier pada program Studi Pendidikan Biologi……........................ 100


Deteksi Outlier pada program Studi Pendidikan Pendidikan Biologi……..... 101







Sastra Indonesia……....................................................................................... 103











Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra

Indonesia……................................................................................................. 105



Indonesia……................................................................................................. 106



Indonesia……................................................................................................. 107



Indonesia……................................................................................................. 107



Indonesia……................................................................................................. 108


xxxv



Indonesia……................................................................................................. 109



Indonesia……................................................................................................. 110



Indonesia……................................................................................................. 110



Indonesia……................................................................................................. 111


Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa dan



Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra

Indonesia……................................................................................................. 112


Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra

Indonesia……................................................................................................. 113










All, Tanpa Deteksi Outlier pada program Studi Ekonomi………………….. 116


All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……... 117


All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi…….. 118


All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi…….. 118


xxxvi


One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………… 119








All, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………….. 122


All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Ekonomi... 123






One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika……….. 125








All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika………… 127








One, Deteksi Outlier pada program Studi Pendidikan Fisika………………. 130


xxxvii








All, Deteksi Outlier pada program Studi Pendidikan Fisika………………... 133


All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Fisika…… 133






One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah

Dasar………………………………………………………………………… 136



Dasar………………………………………………………………………… 136



Dasar………………………………………………………………………… 137



Dasar………………………………………………………………………… 138


All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah

Dasar………………………………………………………………………… 138



Dasar………………………………………………………………………… 139



Dasar………………………………………………………………………… 140


xxxviii



Dasar………………………………………………………………………… 140


One, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar... 141








All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar..... 144








One, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika..... 147








All, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika....... 149








xxxix


One, Deteksi Outlier pada program Studi Pendidikan Matematika................ 152








All, Deteksi Outlier pada program Studi Pendidikan Matematika.................. 155


All, Deteksi Outlier pada program Studi Pendidikan Pendidikan

Matematika...................................................................................................... 156






One, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah............ 158








All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah……….. 160


All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah.............. 161






One, Deteksi Outlier pada program Studi Pendidikan Sejarah....................... 163


xl








All, Deteksi Outlier pada program Studi Pendidikan Sejarah......................... 166








One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan….. 169








All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…… 171








One, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………. 174




xli






All, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………... 177







Tabel 4.196 Akurasi Tertinggi Setiap Program Studi………………………. 180


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pendidikan adalah proses pengubahan sikap dan tata laku seseorang

atau kelompok orang dalam usaha mendewasakan manusia melalui upaya

pengajaran dan pelatihan menurut KBBI (Kamus Besar Bahasa Indonesia).

Dunia pendidikan sangatlah penting untuk membangun daya pikir dan

kemampuan yang dimiliki setiap warga negara sebagai pondasi untuk

membantu negara dalam berbagai sektor. Agar tertata dengan baik,

pendidikan di setiap negara harus memiliki sistem yang jelas sesuai

kebutuhan negara masing – masing. Di Indonesia, sistem pendidikan tertulis

dalam Undang – Undang No.20 Tahun 2003 tentang Sistem Pendidikan

Nasional. Jenjang pendidikan di Indonesia terdiri dari Pendidikan Usia Dini,

Taman Kanak – Kanak, Sekolah Dasar, Sekolah Menengah Pertama,

Sekolah Menengah Atas, dan Perguruan Tinggi.

Di saat ingin memasuki dunia pendidikan jenjang perguruan tinggi,

calon mahasiswa mengikuti seleksi masuk program studi yang diminati.

Dalam seleksi masuk program studi, calon mahasiswa mengerjakan tes

potensi akademik untuk mengidentifikasi apakah kemampuan yang dimiliki

dapat mengikuti perkuliahan selama 8 semester kedepan. Komponen tes

potensi akademik yang biasa diujikan yaitu Penalaran Verbal, Kemampuan

Numerik, Penalaran Mekanik, Hubungan Ruang, dan Bahasa Inggris.

Universitas Sanata Dharma memiliki beberapa fakultas, salah

satunya yaitu Fakultas Keguruan dan Ilmu Pendidikan (FKIP). Fakultas

Keguruan dan Ilmu Pendidikan memiliki 12 program studi yaitu Bimbingan

dan Konseling, Pendidikan Keagamaan Katolik, Pendidikan Guru Sekolah

Dasar, Pendidikan Bahasa Inggris, Pendidikan Bahasa dan Sastra Indonesia,

Pendidikan Sejarah, Pendidikan Ekonomi, Pendidikan Akutansi,

Pendidikan Matematika, Pendidikan Fisika, Pendidikan Biologi, dan

Pendidikan Kimia. Setiap calon mahasiswa yang ingin masuk kedalam

program studi pada fakultas Keguruan dan Ilmu Pendidikan, mengikuti


2

seleksi pada jalur tes menggunakan tes potensi akademik. Hasil dari tes

potensi akademik sebagai acuan untuk seleksi calon mahasiswa dapat

masuk sesuai program studi yang diinginkan atau tidak. Selama ini tidak

ada klasifikasi prestasi akademik mahasiswa yang diambil dari tes potensi

akademik. Hal tersebut dapat membantu proses pendampingan akademik

mahasiswa selama proses perkuliahan.

Penelitian yang berkaitan dengan akademik sebelumnya telah

dilakukan penelitian menggunakan metode klasifikasi. Salah satunya

dilakukan oleh Kurniawan (2019) dengan judul penelitian “Prediksi Prestasi

Akademik Mahasiswa Berdasarkan Hasil Tes Potensi Akademik dengan

Algoritma K-Nearest Neighbor”. Hasil dari penelitiannya adalah akurasi

tertinggi pada dataset IPK 4 jurusan Pendidikan Guru Sekolah Dasar

(PGSD) sebesar 70% diperoleh ketika k-fold sebesar 25. Penelitian lainya

dilakukan oleh Mandias (2015) dengan judul penelitian “Penerapan Data

Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Di Universitas

Klabat Dengan Metode Klasifikasi”. Hasil dari penelitiannya adalah

seorang mahasiswa dapat menyelesaikan studinya jika mempunyai indeks

prestasi 3,5 – 3,87 (magda) serta penempatan bahasa inggris berada pada

label adv dan inter. Penelitian lainnya dilakukan oleh Farida & Ratih (2017)

dengan judul penelitian “Penggunaan Algortima Naïve Bayes Untuk

Mengevaluasi Prestasi Akademik Mahasiswa Universitas Nusantara PGRI

Kediri”. Hasil akurasi yang dari penelitan tersebut sebesar 66,6%. Penelitian

lainnya dilakukan oleh Sabna & Muhardi (2015) dengan judul penelitian

“Penerapan Data Mining Untuk Memprediksi Prestasi Akademik

Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan

Hasil Belajar”. Hasil dari penelitiannya adalah terdapat 3 variabel yang

berpengaruh dalam prediksi prestasi akademik mahasiswa yaitu variabel

hasil belajar masa lalu, variabel peran dosen, dan variabel disiplin. Hasil

akurasi yang didapat sebesar 65% dengan menggunakan metode Area

Under Curve (AUC).

Penelitian tentang klasifikasi menggunakan metode Support Vector

Machine sebelumnya pernah dilakukan. Salah satunya adalah Windrawati


3

(2020) dengan judul penelitiannya “Klasifikasi Varietas Kopi Arabika

Menggunakan Metode Support Vector Machine (SVM)”. Hasil akurasi

yang didapat dari penelitiannya sebesar 48,33% dengan menggunakan

kernel polynomial. Penelitian lainnya yaitu Octaviani, et.al (2014) dengan

judul penelitiannya “Penerapan Metode Klasifikasi Support Vector

Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten

Magelang”. Dalam penelitiannya menggunakan data training sebanyak 337

menghasilkan nilai akurasi 100% menggunakan fungsi kernel Gaussian

Radial Basic Function (RBF) dan 98,810% menggunakan fungsi kernel

Polynomial. Penelitian lainnya yaitu Hasibuan, et.al (2017) dengan judul

penelitian “Klasifikasi Diagnosa Penyakit Demam Berdarah Dengue (DBD)

Menggunakan Support Vector Machine (SVM) Berbasis GUI Matlab”.

Dalam penelitiannya data yang digunakan dari tahun 2015 – 2016 dan

mendapatkan hasil akurasi sebesar 96,4286% dengan menggunakan kernel

polynomial. Penelitian lainnya yaitu Kurniawaty et.al (2018) dengan judul

penelitian “Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan

Algortima Support Vector Machine (SVM)”. Dalam penelitiannya

menghasilkan akurasi sebesar 100% dengan kernel polynomial.

Berdasarkan latar belakang tersebut, dalam penelitian ini penulis

akan menggunakan metode Support Vector Machine (SVM) untuk

mengklasifikasikan prestasi akademik mahasiswa. Dengan adanya

penelitian ini diharapakan dapat membantu pihak kampus dalam

mengetahui kemampuan calon mahasiswa berdasarkan hasil tes potensi

akademik.

1.2 Rumusan Masalah

1. Bagaimana menerapkan Support Vector Machine dalam klasfikasi

prestasi akademik mahasiswa berdasarkan hasil tes potensi akademik?

2. Berapa akurasi terbaik yang diperoleh dari klasifikasi penerima prestasi

akademik mahasiswa berdasarkan hasil tes potensi akademik

menggunakan metode Support Vector Machine?


4

3. Berapa akurasi rata-rata terbaik pada dataset Fakultas Keguruan dan

Ilmu Pendidikan yang diperoleh dari klasifikasi penerima prestasi

akademik mahasiswa berdasarkan hasil tes potensi akademik

menggunakan metode Support Vector Machine?

1.3 Tujuan Penelitian

1. Membangun sistem klasifikasi prestasi akademik mahasiswa

berdasarkan hasil tes potensi akademik menggunakan metode Support

Vector Machine (SVM).

2. Menguji akurasi yang dihasilkan oleh metode Support Vector Machine.

1.4 Batasan Masalah

Dalam penelitian ini, masalah yang dibatasi yaitu:

1. Studi kasus data nilai mahasiswa Fakultas Keguruan dan Ilmu

Pendidikan Universitas Sanata Dharma Yogyakarta 2015 dan 2016.

2. Data yang digunakan adalah data hasil Tes Potensi Akademik dan

Indeks Prestasi Kumulatif 1 hingga 4.

3. Metode yang digunakan adalah Support Vector Machine.

1.5 Manfaat Penelitian

Manfaat yang didapat dari penelitian ini adalah:

1. Menambah wawasan, pengetahuan, dan mampu

mengimplementasikan algoritma Support Vector Machine (SVM)

khususnya saat melakukan klasifikasi.

2. Membantu pihak yang berkaitan dengan lembaga pendidikan

khususnya dalam mengklasifikasikan prestasi akademik mahasiswa.

1.6 Sistematika Penulisan

Sistematika penelitian yang digunakan:

1. BAB I PENDAHULUAN


5

Bab ini berisi uraian latar belakang, rumusan masalah, tujuan

penelitian, manfaat penelitian, batasan masalah dan sistematika

penulisan

2. BAB II TINJAUAN PUSTAKA

Bab ini berisi uraian landasan teori yang berkaitan dengan

penelitian ini.

3. BAB III METODOLOGI PENELITIAN

Bab ini berisi langkah – langkah dalam menyelesaikan penelitian

ini.

4. BAB IV IMPLEMENTASI DAN ANALISIS HASIL

Bab ini berisi implementasi yang telah dirancang dan analisis yang

didapatkan pada penambangan data.

5. BAB V PENUTUP

Bab ini berisi kesimpulan dari penelitian yang sudah dibangun serta

saran untuk pengembangan sistem selanjutnya.


6

BAB II

TINJAUAN PUSTAKA

2.1 Penambangan Data

Penambangan data merupakan sebuah proses menemukan

pengetahuan dari kumpulan data yang banyak (Jiawei, et.al., 2012). Dalam

menemukan pengetahuan (knowledge) ada beberapa tahapan yang disebut

sebagai Knowledge Discovery from Data (KDD). Berikut ini tahapan dalam

KDD:

1. Data cleaning

Dalam tahapan ini proses mengahapus data yang bersifat noise

dan data yang tidak konsisten.

2. Data integration

Dalam tahapan ini proses menggabungkan data jika sumber

data lebih dari satu.

3. Data selection

Dalam tahapan ini proses memilih data yang relevant untuk

dianalisis.

4. Data transformation

Dalam tahapan ini proses merubah data ke bentuk data yang

sesuai mining dengan melakukan operasi ringkasan atau agregasi.

5. Data mining

Dalam tahapan ini proses terpenting untuk menerapkan

metode yang cerdas dalam menenmukan pola data.

6. Pattern evaluation

Dalam tahapan ini proses mengidentifikasi pola yang

merepresentasikan pengetahuan berdasarkan interesting measures.

7. Knowledge presentation

Dalam tahapan ini proses visualisasi dan merepresentasikan

pengetahuan yang didapat untuk disajikan kepada user.


7

Dalam penambangan data terdapat dua fungsi utama yaitu deskriptif

dan prediktif. Fungsi deskriptif dalam penambangan data untuk memahami

tentang data yang diteliti dengan melalui berbagai proses metode dan

hasilnya akan terlihat karakteristik data tersebut. Fungsi prediktif dalam

penambangan data untuk mengetahui pola tertentu dari suatu data yang

diteliti melalui berbagai proses metode dan hasilnya akan terlihat variabel

yang berpengaruh dalam menentukan prediksi.

Metode learning pada penambangan data dibagi menjadi tiga yaitu

supervised learning, unsupervised learning, dan semi-supervised learning.

Supervised learning merupakan metode learning yang prosesnya

berdasarkan nilai dari variabel target yang sudah terasosiasi dengan nilai

dari variabel prediktor. Unsupervised learning merupakan metode learning

yang mencari pola dari semua atribut pada dataset. Semi-supervised

leraning merupakan metode learning yang prosesnya menggunakan data

dengan atribut dan tidak beratribut sekaligus untuk membentuk model dan

membuat batasan.

2.2 Klasifikasi

Klasifikasi merupakan proses untuk menemukan sebuah model atau

fungsi yang dapat mendeskripsikan dan membedakan kelas data atau konsep

(Jiawei, et.al. 2012). Dengan menggunakan teknik klasifikasi ini, data yang

sudah dipelajari akan menghasilkan suatu pola atau model. Hasil dari pola

yang sudah ditemukan dapat digunakan untuk klasifikasi data baru yang

belum pernah dipelajari sebelumnya. Model dalam melakukan teknik

klasifikasi dapat direpresentasikan beberapa bentuk yaitu classification

rules (IF – THEN rules), decision trees, mathematical formulae, or neural

networks (Jiawei, et.al. 2012).


8

2.3 Support Vector Machine (SVM)

Support Vector Machine merupakan metode klasifikasi berdasarkan

nilai maksimum pada diskriminan margin linier, tujuannya untuk

menemukan hyperplane yang optimal dengan memaksimalkan jarak atau

margin antar kelas. Selanjutnya, menggunakan kernel trick untuk

menemukan batas keputusan yang optimal antar kelas, yang berhubungan

dengan hyperplane di beberapa ruang “nonlinier” berdimensi tinggi (Zaki

& Jr., 2013).

Pertama kali Support Vector Machine diperkenalkan pada tahun

1992 oleh Vladimir Vapink bersama koleganya yaitu Bernhard Boser dan

Isabelle Guyon, meskipun dasar tentang SVM sudah ada pada tahun 1960.

Support Vector Machine dalam proses training dapat memakan waktu yang

cepat bahkan waktu yang sangat lambat, namun mendapatkan hasil akurasi

yang sangat akurat, karena membuat model batas keputusan nonliniear yang

komplek. Vektor pendukung yang ditemukan juga dapat mendeskripsikan

dari model yang dipelajari (Jiawei, et.al., 2012).

Gambar 2.1 Hyperplane (Nugroho, et.al., 2003)

Konsep proses pelatihan pada SVM yaitu dengan mencari lokasi

hyperplane. Pilihan dalam menentukan hyperplane yang mungkin disuatu

set data seperti pada gambar 2.1(a), sedangkan hyperplane dengan margin

maskimal pada gambar 2.1(b). Untuk menentukan hyperplane yang terbaik

dengan cara mengukur margin hyperlane dan mencari titik maksimalnya.

Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari


9

masing – masing class. Pattern yang paling dekat disebut support vector

(Nugroho, et.al., 2003).

Gambar 2.2 Margin Hyperplane

Hyperplane pemisah dapat ditulis sebagai berikut :

W. Xi + b = 0 (2,1)

Keterangan :

W = Bobot vector

Xi = Nilai masukkan atribut

b = Bias

Sehingga mendapatkan 2 kelas yaitu kelas positf dan kelas negatif.

Dalam gambar 2.2 terdapat 2 kelas dan dipisahkan dengan dua bidang

pembatas sejajar. Data pada kelas positif disimbolkan dengan segitiga

berwarna kuning, sedangkan data pada kelas negatif disimbolkan dengan

lingkaran berwarna cokelat. Persamaan yang diperoleh:

W.Xi + b ≥ +1 for γ = +1 (2,2)

W.Xi + b ≤ -1 for γ = -1 (2,3)

Margin hyperplane terbaik dapat ditemukan dengan

memaksimalkan nilai jarak antara hyperlane dan titik terdekatnya dengan


10

1

||𝑤||. Hal tersebut dapat dimasukan kedalam Quadratic Programming (OP),

untuk mencari titik minimal dengan rumus:

𝜏𝑤𝑚𝑖𝑛 (𝑤) =

1

2 ||𝑤||2 (2,4)

dengan batasan

𝑦𝑖 (𝑥𝑖. 𝑤 + 𝑏) − 1 ≥ 0 (2,5)

Permasalahan tersebut dapat diselesaikan menggunakan Lagrange

multipliers :

𝐿(𝑤, 𝑏, 𝑎) =1

2||𝑤||2 − ∑ 𝑎𝑖(𝑦𝑖(𝑥𝑖. 𝑤 + 𝑏) − 1), 𝑖 = 1,2, … 𝑙𝑙

𝑖=1 (2,6)

Dimana 𝑎𝑖 ≥ 0 merupakan Lagrange multipliers. Nilai optimal dari

persamaan tersebut dapat dihitung dengan meminimalkan nilai 𝐿 terhadap

nilai 𝑤 dan 𝑏 sekaligus memaksimalkan nilai 𝐿 terhadap nilai 𝑎𝑖. Dengan

titik optimal gradien 𝐿 = o, persamaan dapat dimodifikasi dengan

memaksimalkan

∑ 𝑎𝑖 − 1

2

𝑙𝑖=1 ∑ 𝑎𝑖𝑎𝑗𝑦𝑖𝑦𝑗

𝑙𝑖,𝑖=1 𝑥𝑖𝑥𝑗 (2,7)

Yang tunduk pada

𝑎𝑖 ≥ 0 (𝑖 = 1,2, … , 𝑙) ∑ 𝑎𝑖𝑦𝑖 = 0𝑙𝑖=1 (2,8)

Maksimalisasi ini menghasilkan sejumlah 𝑎𝑖 yang bernilai positif.

Data – data yang berhubungan dengan 𝑎𝑖 positif inilah yang disebut support

vector. Fungsi pemisah dapat didefinisikan sebagai berikut :

𝑔(𝑥) ≔ 𝑠𝑔𝑛(𝑓(𝑥)) (2,9)

𝐷𝑒𝑛𝑔𝑎𝑛 𝑓(𝑥) = 𝑤𝑇𝑥 + 𝑏 (2,10)

Berikut ilustrasi cara kerja Support Vector Machine dengan data seperti

pada Tabel 2.1


11

Tabel 2.1 Contoh data sampel

X1 X2 yi

2 2 1

4 2 -1

2 4 -1

2 6 1

Terdapat dua atribut yaitu x1 dan x2 yang akan menghasilkan dua bobot

yaitu w1 dan w2. Kemudian margin diminimalkan menggunakan rumus

pada persamaan 2.4 dengan syarat sebagai berikut:

𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) ≥ 1, 𝑖 = 1,2,3 … . . 𝑁

𝑦𝑖 (𝑤𝑖. 𝑥𝑖 + 𝑤𝑖. 𝑥𝑖 + 𝑏) ≥ 1

Sehingga diperoleh persamaan sebagai berikut:

1) 1(2𝑤1 + 2𝑤2 + 𝑏) ≥ 1 → 2𝑤1 + 2𝑤2 + 𝑏) ≥ 1

2) −1(4𝑤1 + 2𝑤2 + 𝑏) ≥ 1 → −4𝑤1 − 2𝑤2 − 𝑏) ≥ 1

3) −1(2𝑤1 + 4𝑤2 + 𝑏) ≥ 1 → −2𝑤1 − 4𝑤2 − 𝑏) ≥ 1

4) 1(2𝑤1 + 6𝑤2 + 𝑏) ≥ 1 → 2𝑤1 + 6𝑤2 + 𝑏) ≥ 1

Kemudian mencari nilai w dari persamaan 1 dan 2 beserta persamaan 3 dan

4 sebagai berikut:

1) (2𝑤1 + 2𝑤2 + 𝑏) ≥ 1 3) (−2𝑤1 − 4𝑤2 − 𝑏) ≥ 1

2) (−4𝑤1 − 2𝑤2 − 𝑏) ≥ 1 4) (2𝑤1 + 6𝑤2 + 𝑏) ≥ 1

____________________+ _____________________+

−2𝑤1 = 2 2𝑤2 = 2

𝑤1 = −1 𝑤2 = 1

Setelah nilai w sudah ditemukan, maka selanjutnya mencari nilai b dari

persamaan 1 dan 4 sebagai berikut:

(2𝑤1 + 2𝑤2 + 𝑏) ≥ 1

(2𝑤1 + 6𝑤2 + 𝑏) ≥ 1

____________________+


12

(4𝑤1 + 8𝑤2 + 2𝑏) = 2

4(−1) + 8(1) + 2𝑏 = 2

−4 + 8 + 2𝑏 = 2

4 + 2𝑏 = 2

2𝑏 = 2 − 4

2𝑏 = −2

𝑏 = −1

Persamaan hyperplane menjadi:

𝑤1. 𝑥1 + 𝑤2. 𝑥2 + 𝑏 = 0

−1. 𝑥1 + 1. 𝑥2 − 1 = 0

𝑥2 = 𝑥1 + 1

Selanjutnya dibuat plot hyperplane dengan fungsi 𝑥2 = 𝑥1 + 1

menggunakan data pada Tabel 2.2

Tabel 2.2 Plot hyperplane

X1 X2 = X1 + 1

-6 -5

-4 -3

-2 -1

0 1

2 3

4 5

6 7


13

Gambar 2.3 Visualiasasi Hyperplane

Setelah ditentukan garis hyperplane seperti pada Gambar 2.3, maka

langkah selanjutnya yaitu melakukan klasifikasi data uji melalui hyperplane

dengan menggunakan fungsi 𝑓(𝑥) = −𝑥1 + 𝑥2 − 1 dengan 𝑔(𝑥) =

𝑠𝑔𝑛(𝑓(𝑥)). Berikut Tabel 2.3 data untuk melakukan klasifikasi:

Tabel 2.3 Klasifikasi

No X1 X2 Hasil Klasifikasi (Kelas = 𝑔(𝑥) = 𝑠𝑔𝑛(𝑓(𝑥)))

1 4 8 Sgn(-4 + 8 - 1) = 1

2 2 1 Sgn(-2 + 1 – 1) = -1

3 -1 6 Sgn(-(-1) + 6 – 1) = 1

4 -2 -4 Sgn(-(-2) + (-4) – 1) = -1

Hasil dari klasifikasi tersebut, maka divisualiasikan terhadap hyperplane

yang sudah ditentukan. Gambar 2.4 menunjukkan hasil klasifikasi dengan

visualiasai garis hyperplane Tabel 2.3 dengan label kelas positif

disimbolkan warna hijau dan kelas negatif disimbolkan warna merah.

-6

-4

-2

0

2

4

6

8

-8 -6 -4 -2 0 2 4 6 8

x1

x2

Visualisasi Hyperplane


14

Gambar 2.4 Hasil Klasifikasi

Pada umumnya, terdapat empat jenis fungsi kernel yang bisa

digunakan yaitu:

1. Kernel linear

𝐾(𝑥, 𝑥𝑘) = 𝑥𝑘𝑇𝑥 (2,11)

2. Kernel polynomial

𝐾(𝑥, 𝑥𝑘) = (𝑥𝑘𝑇𝑥 + 1)𝑑 (2,12)

3. Kernel Gaussian (radial basis function, RBF)

𝐾(𝑥, 𝑥𝑘) = exp {−||𝑥 − 𝑥𝑘| |22/𝜎2} (2,13)

4. Kernel Sigmoid

𝐾(𝑥, 𝑥𝑘) = 𝑡𝑎𝑛ℎ[𝑘 𝑥𝑘𝑇 𝑥 + 𝜃] (2,14)

Fungsi kernel tersebut digunakan untuk menentukan support vector.

Kemudian SVM melakukan proses klasifikasi terhadap objek data 𝑥 dapat

diformulasikan dengan persamaan sebagai berikut :

𝑓(𝑥) = ∑ 𝑎𝑖𝑦𝑖𝐾𝑛𝑖=1,𝑥𝑖∈𝑆𝑉 (𝑥, 𝑥𝑖) + 𝑏 (2,15)

SV merupakan objek – objek data pada himpunan data latih yang

terpilih sebagai support vector (Suyanto,2019).

-6

-4

-2

0

2

4

6

8

-8 -6 -4 -2 0 2 4 6 8

x1

x2

Hasil Klasifikasi


15

2.4 Multi Class SVM

SVM pertama kali diperkenalkan oleh Vapink pata tahun 1992,

dengan melakukan klasifikasi data ke dalam dua kelas. Dengan ada

perkembangan dan riset penelitian lebih lanjut memungkinkan SVM

menjadi multi kelas (multi class) yang mampu mengklasifikasikan lebih dari

dua kelas. Terdapat dua pendekatan dalam mengimplementasikan SVM

multi kelas. Pendekatan pertama, menggabungkan berapa SVM biner.

Pendekatan kedua, menggabungkan semua data dari semua kelas ke dalam

sebuah bentuk permasalahan optimasi (Suyanto,2019). Berikut beberapa

metode pendekatan yang pertama:

2.4.1 One-against-all (Satu lawan semua)

Metode pendekatan ini dengan membandingkan satu kelas

dengan semua kelas lainnya. Dalam mengklasifikasikan data ke

dalam 𝑘 kelas, harus membangun sejumlah 𝑘 model SVM biner.

Setiap model SVM biner ke – 𝑖 dilatih menggunakan seluruh

data, untuk mencari hasil klasifikasi sebagai kelas ke – 𝑖 atau

tidak (Suyanto,2019). Contohnya, suatu permasalah klasifikasi

pada 4 buah kelas, maka dibangun model SVM biner sebanyak

4 buah seperti terlihat pada Tabel 2.4 dan Gambar 2.5. Kemudian

SVM biner yang pertama dilatih dengan menggunakan semua

data latih.

Tabel 2.4 Contoh kombinasi biner 4 kelas dengan metode one-

against-all

𝑦𝑖 = 1 𝑦𝑖 = −1 Hipotesis

Kelas 1 Kelas 1 𝑓1(𝑥) = (𝑤1) 𝑥 + 𝑏1





16

Gambar 2.5 Skema klasifikasi menggunakan metode one-against-all

2.4.2 One-against-one (satu lawan satu)

Metode pendekatan ini dengan membangun model SVM

biner yang membandingkan satu kelas dengan kelas lainnya.

Untuk mengklasifikasikan data ke dalam 𝑘 kelas, harus

membangun model SVM biner sejumlah 𝑘(𝑘−1)

2 yang mana 𝑘

merupakan jumlah kelas (Suyanto,2019). Jika terdapat 4 kelas

maka harus dibuat sejumlah 4(4−1)

2 = 6 buah SVM biner.

Sehingga setiap kelas dibandingkan kelas lainnya seperti pada

Tabel 2.5. Cara voting dilakukan untuk mendapatkan kelas

keputusan. Berikut ilustrasi klasifikasi dengan 4 kelas.


17

Tabel 2.5 Contoh kombinasi biner 4 kelas dengan metode one-

against-one

𝑦𝑖 = 1 𝑦𝑖 = −1 Hipotesis







Setelah kelas biner terbentuk sesuai kombinasi, maka akan

dilakukan perbandingan tiap kelasnya. Pada Gambar 2.5 kelas

𝑓12(𝑥) diklasifikasikan untuk masuk ke dalam kelas 1 atau kelas

2, diasumsikan pada contoh ditentukan masuk pada kelas 1. Hal

tersebut sama dilakukan oleh kelas lainnya dalam

membandingkan untuk mendapatkan hasil klasifikasi. Setelah

mendapat kelas keputusan, maka dilakukan cara voting untuk

menghitung hasil terbanyak. Pada contoh Gambar 2.6 kelas 1

mendapat voting terbanyak, sehingga hasil klasifikasi yaitu pada

kelas 1.

Gambar 2.6 Skema klasifikasi menggunakan metode one-

against-one (Wicaksono,2017)


18

2.5 K-Fold Cross Validation

Salah satu metode untuk mengevaluasi model klasifikasi yaitu K-

Fold Cross Validation. Cara kerja metode K-Fold Cross Validation yaitu

dengan mempartisi himpunan data 𝐷 secara acak menjadi

𝑘 𝑓𝑜𝑙𝑑 (subhimpunan) yang saling bebas : 𝑓1, 𝑓2, … 𝑓𝑘, sehingga masing –

masing 𝑓𝑜𝑙𝑑 berisi 1

𝑘 bagian data. Selanjutnya membangun 𝑘 himpunan data

: 𝐷1, 𝐷2, … 𝐷𝑘 yang masing – masing berisi (𝑘 − 1) 𝑓𝑜𝑙𝑑 sebagai data

training, 1 𝑓𝑜𝑙𝑑 sebagai data testing. Sebagai contoh, dengan 𝑘 = 5, maka

himpunan data 𝐷1 berisi empat 𝑓𝑜𝑙𝑑: 𝑓2, 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training

dan satu 𝑓𝑜𝑙𝑑: 𝑓1 sebagai data testing. Himpunan data 𝐷2 berisi empat 𝑓𝑜𝑙𝑑:

𝑓1, 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training dan satu 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data testing.

Begitu pun seterusnya terhadap himpunan data 𝐷3, 𝐷4, 𝐷5. Selain itu K-Fold

Cross Validation dapat membagi tiga himpunan yaitu data training, data

testing, dan data validation. Sehingga masing - masing berisi (𝑘 − 2) 𝑓𝑜𝑙𝑑

sebagai data training, 1 𝑓𝑜𝑙𝑑 sebagai data validation, dan 1 𝑓𝑜𝑙𝑑 sebagai

data testing. Sebagai contoh, dengan 𝑘 = 5, maka himpunan data 𝐷1 berisi

tiga 𝑓𝑜𝑙𝑑: 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training, 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data

validation, dan satu 𝑓𝑜𝑙𝑑: 𝑓1 sebagai data testing. Himpunan data 𝐷2 berisi

tiga 𝑓𝑜𝑙𝑑: 𝑓1, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training, 𝑓𝑜𝑙𝑑: 𝑓3 sebagai data

validation dan satu 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data testing. Begitu pun seterusnya

terhadap himpunan data 𝐷3, 𝐷4, 𝐷5. Dengan metode k-fold cross validation

bisa mengukur kualitas model klasifikasi yang sudah dibangun (Suyanto,

2019). Sebagai ilustrasi pembagian data menggunakan 3-Fold Cross

Validation dengan 1 data testing dan 2 data training dari jumlah data

sebanyak 3:

Fold 1

Fold 2

Fold 3

Fold 1

Fold 2

Fold 3

Fold 1

Fold 2

Fold 3

Model 1 Model 2 Model 3


19

Keterangan:

Kelompok Data Testing

Kelompok Data Training

Gambar 2.7 Ilustrasi pembagian data 3-Fold Cross Validation

2.6 Confusion Matrix

Confusion matrix merupakan sebuah metode untuk mengukur

seberapa baik atau besar nilai akurasi yang didapat dari hasil model

klasifikasi yang sudah dibangun. Confusion matrix terdiri dari jumlah data

testing yang benar dan salah setelah dilakukan klasifikasi. Terdapat

beberapa ukuran yang dapat digunakan untuk menilai atau mengevaluasi

model klasifikasi, yaitu accuracy atau tingkat pengenalan, error rate atau

tingkat kesalahan, recall atau sensitivity, specificity atau true negative rate,

precision, F-measure atau F-score dari precission dan recall, dan 𝐹𝛽 (J.Han,

et.al., 2012).

Tabel 2.6 Ukuran evaluasi model klasifikasi

Ukuran Rumus

Accuracy atau tingkat

pengenalan

𝑇𝑃 + 𝑇𝑁

𝑃 + 𝑁

Error rate atau tingkat

kesalahan

𝐹𝑃 + 𝐹𝑁

𝑃 + 𝑁

Recall atau sensitivity 𝑇𝑃

𝑃

Sprecificity atau true negative

rate

𝑇𝑁

𝑁

Precision 𝑇𝑃

𝑇𝑃 + 𝐹𝑃

F-measure atau F-score dari

precision dan recall

2 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑟𝑒𝑐𝑎𝑙𝑙

𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙

𝐹𝛽, dimana β merupakan

bilangan riil nonnegatif

(1 + 𝛽2) 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑟𝑒𝑐𝑎𝑙𝑙

𝛽2 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙


20

Terdapat istilah penting dalam memahami ukuran evaluasi dalam tabel:

➢ TP atau True Positives merupakan jumlah tuple positif yang dilabeli

dengan benar oleh classifier.

➢ TN atau True Negatives merupakan jumlah tuple negatif yang

dilabeli dengan benar oleh classifier.

➢ FP atau False Positives merupakan jumlah tuple negatif yang salah

dilabeli oleh classifier.

➢ FN atau False Negatives merupakan jumlah tuple positif yang salah

dilabeli oleh classifier.

Isitilah diatas dapat digambarkan sebagai confusion matrix yang

diilustrasikan sebagai berikut:

Tabel 2.7 Confusion Matrix

Ya Tidak Jumlah

Kelas aktual Ya TP FN P

Tidak FP TN N

Jumlah P’ N’ P + N

TP dan TN menyatakan bahwa classifier mengenali tuple dengan

benar yang berarti tuple positif dikenali sebagai positif dan tuple negatif

dikenali sebagai negatif. Sebaliknya, FP dan DN menyatakan bahwa

classifier mengenali tuple dengan salah yang berarti tuple negatif dikenali

sebagai positif dan tuple negative dikenali sebagai positif. P’ merupakan

jumlah tuple yang diberi label positif (TP + FP). N’ merupakan jumlah tuple

yang diberi label negatif (TN – FN). Untuk jumlah keseluruhan tuple dapat

dinyatakan sebagai (TP + TN + FP + FN) atau (P + N) atau (P’ + N’)

(Suyanto,2019).

2.7 Normalisasi

Disetiap data memiliki nilai atribut yang berbeda – beda rentangnya,

sehingga perlu dinormalisasikan atau distandarisasi agar proses data mining

tidak bias. Normalisasi data biasanya dilakukan untuk mendapatkan nilai


21

rentang yang kecil seperti [0,1] atau [-1,1], sehingga nilai disetiap atributnya

memiliki bobot yang sama. Dalam normalisasi data memiliki beberapa

metode, salah satunya yaitu normalisasi min-max (Suyanto, 2019).

Normalisasi Min - Max

Proses metode normalisasi min – max menggunakan nilai

minimum dan maksimum untuk melakukan konversi data secara

linier. Berikut rumus normalisasi min – max:

𝑥𝑖′ =

𝑥𝑖−𝑚𝑖𝑛𝐴

𝑚𝑎𝑘𝑠𝐴−𝑚𝑖𝑛𝐴(𝑚𝑎𝑘𝑠𝑏𝑎𝑟𝑢𝐴 − 𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴) + 𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴 (2,16)

Keterangan:

𝐴 : Atribut bertipe numerik

𝑥𝑖 : Nilai data asli

𝑥𝑖′ : Nilai data baru

𝑚𝑖𝑛𝐴 : Nilai minimal pada atribut A

𝑚𝑎𝑘𝑠𝐴 : Nilai maksimal pada atribut A

𝑚𝑎𝑘𝑠𝑏𝑎𝑟𝑢𝐴 : Rentang nilai maksimal baru pada atribut A

(contoh: 1)

𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴 : Rentang nilai minimal baru pada atribut A

(contoh : 0)

2.8 Deteksi Outlier

Outlier adalah himpunan titik data yang sangat berbeda dari sisi

data. Varian masalah deteksi outlier yaitu 1) diberikan database D, temukan

semua titik data x € D dengan anomali skor lebih besar dari beberapa

ambang batas t, 2) diberikan database D, cari semua titik data x € D yang

memiliki nilai anomali terbesar f(x), dan 3) diberikan database D, berisi

Sebagian besar normal (tetapi tidak berlabel) titik data, dan titik uji x, hitung

skor anomali x sehubungan dengan D.


22

Salah satu mendeteksi outlier dengan menggunakan isolation forest.

Isolation Forest merupakan metode deteksi outlier secara eksplisit

mengidentifikasi anomali dengan membuat profil titik data normal.

Isolation forest, seperti metode ensemble pohon lainnya, dibangun atas

dasar pohon keputusan. Dalam pohon ini, partisi dibuat dengan terlebih

dahulu memilih fitur secara acak dan kemudian memilih nilai pemisahan

acak antara nilai minimum dan maksimum dari fitur yang dipilih. Dengan

menggunakan partisi acak dapat mengidentifikasi lebih dekat ke akar pohon

(Panjang jalur rata-rata yang lebih pendek, yaitu jumlah tepi pengamatan

harus melewati pohon yang masuk dari akar ke node terminal) dengan lebih

sedikit pemisah yang diperlukan.

Gagasan untuk mengidentifikasi pengamatan nomal dengan

abnormal dapat diamati pada gambar 2.8. Titik normal (di sebelah kiri)

membutuhkan lebih banyak partisi untuk mengindentifikasi daripada titik

abnormal (kanan).

Gambar 2.8 Mengidentifikasi pengamatan normal vs abnormal (Lewinson,2018)

Seperti metode deteksi outlier lainnya, nilai anomali diperlukan untuk

pengambilan keputusan. Dalam metode isolation forest, didefenisikan

sebagai berikut:

𝑠(𝑥, 𝑛) = 2 − 𝐸(ℎ(𝑥))

𝑐(𝑛) (2,17)

Keterangan:

ℎ(𝑥) : Panjang jalur pengamatan x


23

𝑐(𝑛) : Panjang jalur rata-rata pencarian yang gagal pada Pohon

Pencarian Biner

𝑛 : Jumlah node eskternal

Setiap pengamatan diberikan nilai animali dan keputusan berikut dapat

dibuat berdasarkan:

1. Nilai mendekati 1 menunjukkan anomali

2. Nilai jauh lebih kecil dari 0,5 menunjukkan pengamatan normal

3. Jika semua nilai mendekati 0,5, maka seluruh sampel tampaknya

tidak memiliki anomali yang jelas berbeda.

2.9 Prestasi Akademik

Menurut KBBI (Kamus Besar Bahasa Indonesia), prestasi akademik

merupakan hasil pelajaran yang diperoleh dari kegiatan belajar di sekolah

atau di perguruan tinggi yang bersifat kognitif dan biasanya ditentukan

melalui pengukuran dan penilaian.

Dalam pengukuran dan penilaian prestasi akademik, salah satu

caranya bisa dilakukan dari tes potensi akademik. Tes potensi akademik

merupakan tes psikologi untuk mengetahui apa yang telah dicapai secara

intelektual. Dalam tes potensi akademik, soal yang biasanya digunakan

yaitu tes verbal, tes angka, dan tes figural.


24

BAB III

METODOLOGI PENELITIAN

3.1 Bahan penelitian/Data

Data yang diperoleh dari Universitas Sanata Dharma atas

persetujuan Wakil Rektor I. Data penelitian adalah data mahasiswa Fakultas

Keguruan dan Ilmu Pendidikan Universitas Sanata Dharma Angkatan 2015

dan 2016. Data berisi nilai Tes Potensi Akademik (penalaran verbal,

kemampuan numerik, penalaran mekanik, hubungan ruang dan Bahasa

inggris) dan Indeks Prestasi Kumulatif (IPK) dari semester satu sampai

empat pada masing-masing program studi. Pada Tabel 3.1 berikut adalah

penjelasan setiap atribut dan contoh isi atribut pada file tersebut.

Tabel 3.1 Penjelasan Atribut dan Nilai Variabel

No Nama Atribut Penjelasan Nilai

Variabel

1 Penalaran Verbal

Nilai Tes Potensi

Akademik bagian

Penalaran Verbal

1 - 10

2 Kemampuan Numerik

Nilai Tes Potensi

Akademik bagian

Kemampuan

Numerik

1 - 10

3 Penalaran Mekanik

Nilai Tes Potensi

Akademik bagian

Penalaran

Mekanik

1 - 10

4 Hubungan Ruang

Nilai Tes Potensi

Akademik bagian

Hubungan Ruang

1 - 10

5 Bahasa Inggris

Nilai Tes Potensi

Akademik bagian

Bahasa Inggris

1 - 10

6 IPK 1 Nilai IPK

Semester 1 0 – 4,00

7 IPK 2 Nilai IPK


8 IPK 3 Nilai IPK


9 IPK 4 Nilai IPK



25

3.2 Tahap – Tahap Penelitian

Berikut ini tahap – tahap penelitian yang digambarkan dengan

skema berikut ini:

Gambar 3.1 Skema Penelitian


26

Dalam penelitian ini terdapat berbagai macam variasi dalam pengujian yaitu

pada fold, kernel, multiclass, dan outlier. Fold yang digunakan dalam pengujian ini

yaitu 3 fold, 5 fold, 7 fold, dan 9 fold. Kernel yang digunakan dalam pengujian ini

yaitu linear, rbf, dan polynomial. Multiclass yang digunakan dalam pengujian ini

yaitu one against one dan one against all. Variasi pengujian lainnya yaitu data yang

dilakukan deteksi outlier dan tidak dilakukan deteksi outlier. Berikut gambar 3.2

hingga gambar 3.5 variasi pengujian dalam bentuk diagram pohon.


27

Gambar 3.2 Variasi pengujian Tanpa Deteksi Outlier – One Against One


28

Gambar 3.3 Variasi pengujian Tanpa Deteksi Outlier – One Against All


29

Gambar 3.4 Variasi pengujian Deteksi Outlier – One Against One


30

Gambar 3.5 Variasi pengujian Deteksi Outlier – One Against All


31

3.2.1 Data Mentah

Data mentah yang digunakan dalam penelitian ini yaitu data

Universitas Sanata Dharma Yogyakarta yang diperoleh dari

Universitas Sanata Dharma atas persetujuan Wakil Rektor I.

3.2.2 Integrasi Data

Pada tahap ini dilakukan penggabungan data dari angkatan

2015 hingga 2016 sesuai program studi dan semester. Untuk

menggabungkan data menggunakan Microsoft Excel.

3.2.3 Pembersihan Data

Pada tahap ini dilakukan pembersihan data. Pembersihan

data yang dilakukan pada atribut TPA dan IPK. Pada data TPA dan

IPK dilakukan pembersihan data menggunakan metode deteksi

outlier. Metode yang digunakan pada deteksi outlier yaitu metode

isolation forest.

3.2.4 Transformasi Data

Pada tahap ini dilakukan transformasi atau perubahan data

menggunakan min – max normalization. Atribut yang dinormalisasi

yaitu nilai TPA menggunakan min-max normalization. Sedangkan,

untuk IPK dirubah ke kategorikal. Tabel 3.2 berikut ini merupakan

jangkauan nilai mahasiswa.

Tabel 3.2 Nama dan Jangkauan Nilai Data Mahasiswa

Nama Kolom Jangkauan Nilai

Penalaran Verbal 0,00 – 10,00

Kemampuan Numerik 0,00 – 10,00

Penalaran Mekanik 0,00 – 10,00

Hubungan Ruang 0,00 – 10,00

Bahasa Inggris 0,00 – 10,00

IPK 1 0,00 – 4,00

IPK 2 0,00 – 4,00

IPK 3 0,00 – 4,00

IPK 4 0,00 – 4,00


32

Berikut merupakan contoh perhitungan untuk min-max

normalization disetiap atribut:

1. Normalisasi atribut Penalaran Verbal

𝑋 = 3 − 2

10 − 2(1 − 0) + 0 = 0,125

2. Normalisasi atribut Kemampuan Numerik

𝑋 = 5 − 1

10 − 1(1 − 0) + 0 = 0,444

3. Normalisasi atribut Penalaran Mekanik

𝑋 = 4 − 1

10 − 1(1 − 0) + 0 = 0,333

4. Normalisasi atribut Hubungan Ruang

𝑋 = 5 − 2

10 − 2(1 − 0) + 0 = 0,375

5. Normalisasi atribut Bahasa Inggris

𝑋 = 4 − 1

10 − 1(1 − 0) + 0 = 0,333

Untuk mengubah label yaitu atribut IPK ke kategori

digunakan aturan predikat yudisium berdasarkan nilai IPK. Merubah

nilai IPK ke kategorikal dilakukan berdasarkan peraturan akademik

Universitas Sanata Dharma seperti tabel 3.3 berikut:

Tabel 3.3 Predikat Kualifikasi Yudisium

IPK Predikat Kategori

3,51 – 4,00 Dengan Pujian A

2,76 – 3,50 Sangat Memuaskan B

2,25 – 2,75 Memuaskan C

< 2,25 - D


33

Berikut merupakan algoritma mengubah IPK ke kategorikal

1. Jika nilai cell pada atribut IPK memiliki nilai

antara 3,51 sampai 4,00 maka nilai cell tersebut

dirubah menjadi A.



dirubah menjadi B.



dirubah menjadi C.

4. Jika nilai cell pada atribut IPK kurang dari 2,25

maka nilai cell tersebut dirubah menjadi D.

Pada Tabel 3.4 merupakan contoh hasil transformasi data.

Tabel 3.4 Contoh Hasil Transformasi Data

Penalaran

Verbal

Kemampuan

Numerik

Penalaran

Mekanik

Hubungan

Ruang

Bahasa

Inggris IPK

0,532555 0,163216 0,406231 0,375 0,728441 C

0,495997 0,584549 0,666667 0,682073 0,444444 D

0,5 0,777778 0,555556 0,625 0,555556 B

0,394917 0,374334 0,747658 0,442407 0,046294 C

3.2.5 Pembagian Data

Pembagian data dilakukan dengan metode cross-validation.

Pembagian data training dan data testing menggunakan k-fold. Data

yang dibagi mengikuti nilai k, apabila k bernilai 7 maka terdapat 7

subset data yang mana 6 subset merupakan data training dan 1

subset data merupakan data testing. Berikut algoritma pembagian

data dengan metode cross-validation:

1. Masukan nilai k.

2. Bagi data menjadi k subset yang berukuran sama.


34

3. Pergunakan setiap subset atau k – 1 sebagai data training

dan sisanya atau k-(k-1) sebagai data testing.

3.2.6 Klasifikasi Support Vector Machine

Pada tahap klasifikasi menggunakan algoritma Support

Vector Machine (SVM). Support Vector Machine akan

menggunakan tools pada Pyhton menggunakan fungsi biner yang

akan ditambahkan fungsi multi kelas. Terdapat dua metode

multiclass yaitu metode one-against-one dan metode one-against-

all. Berikut ilustrasi tahapan klasifikasi menggunakan Support

Vector Machine menggunakan metode one-against-one dengan 4

label kelas pada gambar 3.7 hingga gambar 3.11. Support Vector

Machine hanya dapat mengklasifikasikan 2 kelas saja, tetapi dengan

adanya konsep multiclass, maka metode Support Vector Machine

memungkinkan melakukan proses klasifikasi lebih dari dua kelas.

Pada gambar 3.6 memperlihatkan terdapat 4 kelas data yaitu warna

hijau kelas A, warna biru kelas B, warna kuning kelas C, dan warna

merah kelas D.

Gambar 3.6 Klasifikasi dengan 4 kelas

0

1

2

3

4

5

6

0 1 2 3 4 5 6

y

x


35

Berikut ini ilustrasi klasifikasi Support Vector Machine

menggunakan multiclass:

1. Metode One-Against-One

Pada data tersebut terdapat 4 kelas, maka akan

dibangun 6 kelas biner. Enam kelas biner diperoleh dengan

menggunakan rumus pada persamaan sehingga model biner

Support Vector Machine yang dibangun yaitu berjumlah 4(4-

1)/2 = 6. Model biner Support Vector Machine terdiri dari

kelas A lawan kelas B, kelas A lawan kelas C, kelas A lawan

kelas D, kelas B lawan kelas C, kelas B lawan kelas D, dan

kelas C lawan kelas D.

Pada model kelas biner yang pertama seperti pada

Gambar 3.7, objek baru diklasifikasikan dengan

menggunakan data training kelas A dan kelas B.

Diasumsikan objek data tersebut lebih dekat ke kelas A,

maka kelas A akan dipilih untuk dilakukan voting.

Gambar 3.7 Kelas A dan Kelas B

FAB(x) :

Kelas A

0

1

2

3

4

5

6

0 0,2 0,4 0,6 0,8 1 1,2

y

x


36

Pada model kelas biner yang kedua seperti pada


menggunakan data training kelas A dan kelas C.



Gambar 3.8 Kelas A dan Kelas C

Pada model kelas biner yang ketiga seperti pada


menggunakan data training kelas A dan kelas D.



Gambar 3.9 Kelas A dan Kelas D

FAC(x) :

Kelas A

FAD(x) :

Kelas A

0

1

2

3

4

5

6

0 1 2 3 4 5

y

x

0

1

2

3

4

5

6

0 1 2 3 4 5 6

y

x


37

Pada model kelas biner yang keempat seperti pada


menggunakan data training kelas B dan kelas C.

Diasumsikan objek data tersebut lebih dekat ke kelas C,

maka kelas C akan dipilih untuk dilakukan voting.

Gambar 3.10 Kelas B dan Kelas C

Pada model kelas biner yang kelima seperti pada


menggunakan data training kelas B dan kelas D.

Diasumsikan objek data tersebut lebih dekat ke kelas B,

maka kelas B akan dipilih untuk dilakukan voting.

Gambar 3.11 Kelas B dan Kelas D

0

0,5

1

1,5

2

2,5

3

0 1 2 3 4 5

y

x

FBC(x) :

Kelas C

FBD(x) :

Kelas B

0

1

2

3

4

5

6

0 1 2 3 4 5 6

y

x


38

Pada model kelas biner yang keenam seperti pada


menggunakan data training kelas C dan kelas D.

Diasumsikan objek data tersebut lebih dekat ke kelas D,

maka kelas D akan dipilih untuk dilakukan voting.

Gambar 3.12 Kelas C dan Kelas D

Setelah melakukan klasifikasi setiap kelas biner,

maka dilakukan voting untuk menentukan kelas klasifikasi.

Hasil voting dari kelas biner pertama hingga kelas biner

keenam, kelas A memiliki voting terbanyak, sehingga hasil

klasifikasi dari data objek baru akan dikategorikan sebagai

kelas A.

2. Metode One-Against-All

Pada data tersebut terdapat 4 kelas, maka akan

dibangun sebanyak 4 kelas biner. Setiap model kelas biner

dilatih menggunakan seluruh data, untuk mencari hasil

klasifikasi. Model biner Support Vector Machine terdiri dari

kelas A lawan kelas B, kelas C, dan kelas D, kelas B lawan

kelas A, kelas C, dan kelas D, kelas C lawan kelas A, kelas

B, dan kelas D, kelas D lawan kelas A, kelas B, dan kelas C.

FCD(x) :

Kelas D

0

1

2

3

4

5

6

0 2 4 6

y

x


39

Pada model kelas biner yang pertama seperti pada


menggunakan data training kelas A lawan kelas B, kelas C,

dan kelas D. Yang mana data kelas A diasumsikan sebagai

kelas positif (+1), selain itu diasumsikan sebagai kelas

negatif (-1).

Gambar 3.13 Kelas A lawan Kelas B, Kelas C, dan Kelas D

Pada model kelas biner yang kedua seperti pada


menggunakan data training kelas B lawan kelas A, kelas C,

dan kelas D. Yang mana data kelas B diasumsikan sebagai


negatif (-1).

0

1

2

3

4

5

6

0 1 2 3 4 5 6

y

x


40

Gambar 3.14 Kelas B lawan Kelas A, Kelas C, dan Kelas D

Pada model kelas biner yang ketiga seperti pada


menggunakan data training kelas C lawan kelas A, kelas B,

dan kelas D. Yang mana data kelas C diasumsikan sebagai


negatif (-1).

Gambar 3.15 Kelas C lawan Kelas A, Kelas B, dan Kelas D

Pada model kelas biner yang keempat seperti pada


menggunakan data training kelas D lawan kelas A, kelas B,

dan kelas C. Yang mana data kelas D diasumsikan sebagai

0

1

2

3

4

5

6

0 1 2 3 4 5 6y

x

0

1

2

3

4

5

6

0 1 2 3 4 5 6

y

x


41


negatif (-1).

Gambar 3.16 Kelas D lawan Kelas A, Kelas B, dan Kelas C

Setelah melakukan klasifikasi setiap kelas biner,

maka dilakukan pengecekan nilai probabilitas yang paling

tinggi untuk menentukan kelas klasifikasi.

3.3 Desain Antarmuka

Gambar 3.17 Desain Antarmuka

0

1

2

3

4

5

6

0 1 2 3 4 5 6


42

3.3.1 Proses Input GUI

Pada proses input GUI, user melakukan input jenis kernel,

melakukan deteksi outlier, jumlah fold, jenis multiclass, IPK

semester yang ingin digunakan, nilai penalaran verbal, nilai

kemampuan numerik, nilai bahasa inggris, nilai penalaran mekanik,

dan nilai hubungan ruang.

3.3.2 Proses Ouput GUI

Keluaran yang didapatkan dari proses klasifikasi ini adalah

hasil akurasi dari proses klasifikasi prestasi akademik mahasiswa

berdasarkan hasil tes potensi akademik, yang ditentukan

berdasarkan jenis kernel, deteksi outlier, jumlah fold, jenis

multiclass, IPK semester yang digunakan. Selain itu, didapatkan

hasil klasifikasi berdasarkan model yang sudah dibangun dan nilai

penalaran verbal, nilai kemampuan numerik, nilai bahasa inggris,

nilai penalaran mekanik, dan nilai hubungan ruang yang telah

ditentukan.

3.4 Spesifikasi Alat

1. Perangkat Keras:

a. Procesor : Intel® Core™ i7-8550U CPU @ 1.80GHz

(8CPUs), ~2.0GHz

b. RAM : 8 GB

c. Hard Drive : 1 TB

2. Perangkat Lunak

a. Sistem Operasi : Windows 10 Home, 64-bit

b. Microsoft Excel 2019

c. Spyder 4.1.4


43

BAB IV

HASIL DAN ANALISIS SISTEM

4.1 Preprocessing

Pada tahap preprocessing dilakukan proses pembersihan data, integrasi

data, transformasi data. Pada tahap tranformasi data dengan menggunakan

normalisasi min-max dan merubah data numerik menjadi data kategorikal untuk

mentransformasikan data. Adapun atribut yang dilakukan proses normalisasi adalah

Penalaran Verbal, Penalaran Mekanik, Kemampuan Numerik, Hubungan Ruang,

dan Bahasa Inggris sedangkan perubahan data numeric menjadi data kategorikal

pada atribut IPK1, IPK2, IPK3, dan IPK4. Pada tabel 4.1 di bawah ini merupakan

contoh data sebelum proses transformasi data.

Tabel 4.1 Data Sebelum Tranformasi

Penalaran

Verbal

Kemampuan

Numerik

Penalaran

Mekanik

Hubungan

Ruang

Bahasa

Inggris

IPK

1

IPK

2

IPK

3

IPK

4

3 5 4 5 4 2,25 2,1 2,17 2,52

5 6 6 6 7 2,45 3,2 3,25 3,3

5 4 6 5 2 2,35 1,9 1,28 2,52

6 5 6 7 5 2,2 2,05 2,33 2,6

3 5 7 9 7 1,8 2,55 1,5 0,43

Pada tabel 4.2 di bawah ini merupakan data setelah dilakukan proses transformasi.

Tabel 4.2 Data Setelah Transformasi

Penalaran

Verbal

Kemampuan

Numerik

Penalaran

Mekanik

Hubungan

Ruang

Bahasa

Inggris

IPK

1

IPK

2

IPK

3

IPK

4

0,125 0,444 0,333 0,375 0,333 C D D C

0,375 0,556 0,556 0,5 0,667 C B B B

0,375 0,333 0,556 0,375 0,111 C D D C

0,5 0,444 0,556 0,625 0,444 D D C C

0,125 0,444 0,778 0 0,444 D D D D


44

Berikut ini desain antarmuka program klasifikasi:

Gambar 4.1 GUI program klasifikasi

4.2 Implementasi

Pada implementasi ini terdapat potongan program dan penjelasan

berikut ini:

1. Implementasi Input Data

Pada tahap ini proses yang dilakukan adalah dengan cara

memilih dataset dengan tipe file *.xlsx. Data yang dimasukkan

berupa data mentah yang belum dilakukan preprocessing.

Berikut dibawah adalah potongan programnya.

self.cari_File =

filedialog.askopenfilename(initialdir='/Desktop',

title='Select a excel file',

filetypes=(('excel file','*xls'),

('excel file','*xlsx')))

self.file.insert(0,self.cari_File)

self.baca_File = pd.read_excel(self.cari_File)


45

self.baca_File1 = pd.read_excel(self.cari_File)

if(len(self.baca_File)==0):

msg.showinfo('No Records','No Records')

else:

pass

2. Implementasi Preprocessing

Setelah sistem berhasil membaca file dataset maka tahap

selanjutnya adalah proses preprocessing data oleh sistem.

Preprocessing data yang dilakukan yaitu melakukan deteksi

outlier menggunakan metode isolation forest, mengkategori

kelas dan normalisasi min-max. Berikut dibawah adalah

potongan programnya.

self.outlier = self.comboboxPilihOutlier.get()

if self.outlier == 'Ya':

self.dataolah = self.baca_File.iloc[:,0:9]

self.clf= IsolationForest(random_state=0)

self.preds = self.clf.fit_predict(self.dataolah)

self.baca_File = self.baca_File[np.where(self.preds == 1,

True, False)]

self.baca_File = self.baca_File.reset_index()

print(baca_File)

else:

self.baca_File = pd.DataFrame(self.baca_File)

print(baca_File)

IPK = self.comboboxPilihIPK.get()

label = np.array(self.baca_File[IPK])

self.baca_File = self.baca_File.drop(['IPK 1','IPK 2','IPK

3','IPK 4'],axis=1)

feature_list = list(self.baca_File.columns)

features = np.array(self.baca_File)


46

X = features.astype(float)

scaler = MinMaxScaler(feature_range=(0,1))

X = scaler.fit_transform(X)

Y = label

Y=pd.cut(Y,bins=[0.0,2.25,2.75,3.50,4],labels=['D','C','B','A'])

perubahan = LabelEncoder()

Y = perubahan.fit_transform(Y)

3. Implementasi Proses Klasifikasi

Tahap ini adalah tahap terakhir dalam sistem. Setelah sistem

berhasil membaca file dan preprocessing data maka tahap

selanjutnya pengguna memasukkan jumlah fold, jenis

multiclass, jenis kernel, dan jenis ipk. Setelah itu pengguna

menekan tombol Proses untuk melanjutkan proses klasifikasi.

Berikut dibawah adalah potongan programnya.

akurasi_model = []

jumlah_fold = int(self.fold.get())

cv = KFold(n_splits=jumlah_fold)

jenis_multiclass = self.comboboxPilihMulticlass.get()

jenis_kernel = self.comboboxPilihKernel.get()

Kernel = StringVar()

if jenis_kernel == 'Linear':

Kernel = 'linear'

elif jenis_kernel == 'Gaussian(RBF)':

Kernel = 'rbf'

else:

Kernel = 'poly'

for train_index,test_index in cv.split(X):

X_train, X_test, Y_train, Y_test = X[train_index],

X[test_index], Y[train_index], Y[test_index]


47

if jenis_multiclass == 'One Against One':

clf = SVC(kernel=Kernel)

model = OneVsOneClassifier(clf).fit(X_train,Y_train)

prediction = model.predict(X_test)

cm = confusion_matrix(Y_test,prediction)

akurasi = accuracy_score(Y_test,prediction)

akurasi_model.append(akurasi)

else:

clf = SVC(kernel=Kernel)

model = OneVsRestClassifier(clf).fit(X_train,Y_train)

prediction = model.predict(X_test)

cm = confusion_matrix(Y_test,prediction)

akurasi = accuracy_score(Y_test,prediction)

akurasi_model.append(akurasi)

akurasitotal = np.mean(akurasi_model)

persen = round(akurasitotal,5)*100

self.akurasi.insert(END,persen)

4.3 Pengujian

Data yang digunakan pada tahap pengujian merupakan data yang

dilakukan deteksi outlier dan data yang tidak dilakukan deteksi outlier.

Model yang digunakan adalah 3-fold, 5-fold, 7-fold, dan 9-fold dengan

ketentuan yang akan dijelaskan pada tabel 4.3 berikut ini:

Tabel 4.3 Ketentuan Pengujian Fold

Fold Training Testing

3 2/3 1/3

5 4/5 1/5

7 6/7 1/7

9 8/9 1/9


48

4.2.1 Percobaan Pada program studi Bimbingan dan Konseling

1. Tanpa Deteksi Outlier

Berikut ini merupakan hasil akurasi terhadap program studi

Bimbingan dan Konseling tanpa menggunakan deteksi outlier :

a) Multiclass One-Against-One

1) 3-Fold

Tabel 4.4 Hasil akurasi menggunakan 3-Fold,

Multiclass One-Against-One, Tanpa Deteksi Outlier

pada program Studi Bimbingan dan Konseling

Kernel IPK 1 IPK 2 IPK 3 IPK 4

Linear 50,537 58,807 55,713 58,775

RBF 48,516 58,838 55,713 58,775

Polynomial 36,143 40,183 43,308 47,475

Gambar 4.2 Grafik akurasi menggunakan 3 Fold, Multiclass

One-Against-One, Tanpa Deteksi Outlier pada program Studi

Bimbingan dan Konseling

2) 5-Fold

Tabel 4.5 Hasil akurasi menggunakan 5-Fold, Multiclass

One-Against-One, Tanpa Deteksi Outlier pada program

Studi Bimbingan dan Konseling


Linear 50,421 58,789 55,684 58,737

RBF 46,421 57,789 56,737 60,842

Polynomial 38,211 47,421 45,474 45,316

0

10

20

30

40

50

60

70

Linear RBF Polynomial

Aku

rasi

(%)

Jenis Kernel

IPK 1 IPK 2 IPK 3 IPK 4


49


Against-One, Tanpa Deteksi Outlier pada program Studi


3) 7-Fold





Linear 50,628 58,948 55,808 58,948

RBF 48,587 56,907 59,969 63,108

Polynomial 43,407 48,587 44,584 51,648




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



50

4) 9-Fold





Linear 50,505 58,788 55,758 58,99

RBF 46,465 57,778 58,889 63,131

Polynomial 37,273 48,687 45,556 52,525




b) Multiclass One-Against-All

1) 3-Fold


One-Against-All, Tanpa Deteksi Outlier pada program



Linear 48,516 58,807 55,713 58,775

RBF 45,455 57,828 55,713 58,775

Polynomial 29,924 48,548 46,433 46,433

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



51

Gambar 4.6 Grafik akurasi menggunakan 3-Fold, Multiclass

One-Against-All, Tanpa Deteksi Outlier pada program Studi


2) 5-Fold





Linear 50,474 58,789 55,684 58,737

RBF 45,421 56,789 57,895 61,895

Polynomial 36,105 49,579 44,316 51,474


Against-All, Tanpa Deteksi Outlier pada program Studi


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



52

3) 7-Fold


Multiclass One-Against-All, Tanpa Deteksi Outlier pada

program Studi Bimbingan dan Konseling


Linear 48,587 58,948 55,808 58,948

RBF 42,386 57,928 57,928 62,088

Polynomial 43,407 51,727 49,608 53,689




4) 9-Fold





Linear 49,495 58,788 55,758 58,99

RBF 44,545 57,778 57,879 63,131

Polynomial 36,97 48,687 48,485 50,404

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



53




2. Deteksi Outlier


Bimbingan dan Konseling menggunakan deteksi outlier :


1) 3-Fold


Multiclass One-Against-One, Deteksi Outlier pada



Linear 58,215 70,94 67,142 70,893

RBF 56,933 72,22 67,142 70,893

Polynomial 45,442 60,589 50,522 55,793

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



54


One-Against-One, Deteksi Outlier pada program Studi


2) 5-Fold





Linear 59,5 70,833 67 70,917

RBF 57 69,583 67 70,917

Polynomial 56,667 58,083 49,333 59,5




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



55

3) 7-Fold





Linear 56,818 70,996 67,208 70,779

RBF 49,134 70,996 67,208 70,779

Polynomial 46,645 59,957 58,658 63,528




4) 9-Fold





Linear 59,568 70,679 66,975 70,988

RBF 51,698 69,444 66,975 70,988

Polynomial 51,852 61,265 54,784 60,494

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



56





1) 3-Fold


Multiclass One-Against-All, Deteksi Outlier pada



Linear 58,215 46,534 67,142 70,893

RBF 58,262 72,222 67,142 70,893

Polynomial 40,503 46,534 54,321 51,994

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



57


One-Against-All, Deteksi Outlier pada program Studi


2) 5-Fold





Linear 57 55,5 67 70,917

RBF 55,75 69,583 67 70,917

Polynomial 43 55,5 54,417 53,25


One-Against-All, Deteksi Outlier pada program Studi Bimbingan

dan Konseling

3) 7-Fold





Linear 56,926 63,528 67,208 70,779

RBF 49,242 70,996 67,208 70,779

Polynomial 49,351 63,528 56,061 57,251

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



58



dan Konseling

4) 9-Fold





Linear 56,944 62,5 66,975 70,988

RBF 52,932 69,444 66,975 70,988

Polynomial 49,383 62,5 54,938 62,191



dan Konseling

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



59

4.2.2 Percobaan Pada program studi Ilmu Pendidikan Agama Katolik



Ilmu Pendidikan Agama Katolik tanpa menggunakan deteksi

outlier :


1) 3-Fold



pada program Studi Ilmu Pendidikan Agama Katolik


Linear 45,652 44,686 27,415 54,167

RBF 47,041 47,403 27,415 54,167

Polynomial 47,101 45,894 45,954 55,556



Ilmu Pendidikan Agama Katolik

2) 5-Fold





Linear 50 54,286 35,714 52,857

RBF 52,857 58,571 47,143 52,857

Polynomial 47,143 58,571 50 54,286

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



60




3) 7-Fold





Linear 51,429 57,143 47,143 54,286

RBF 57,143 58,571 51,429 55,714

Polynomial 45,714 57,143 51,429 58,571




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



61

4) 9-Fold



Studi Ilmu Pendidikan Agama Katolik


Linear 45,833 53,373 38,889 54,365

RBF 54,563 52,976 45,833 51,389

Polynomial 42,857 54,96 50 52,778





1) 3-Fold



program Studi Ilmu Pendidikan Agama Katolik


Linear 45,652 43,176 27,415 54,167

RBF 47,041 51,691 33,152 54,167

Polynomial 44,324 45,833 34,36 58,454

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



62




2) 5-Fold





Linear 51,429 42,857 44,286 54,286

RBF 54,286 54,286 41,429 54,286

Polynomial 47,143 54,286 38,571 60


One-Against-All, Tanpa Deteksi Outlier pada program Studi Ilmu

Pendidikan Agama Katolik

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



63

3) 7-Fold





Linear 48,571 57,143 38,571 54,286

RBF 54,286 57,143 50 54,286

Polynomial 48,571 42,857 48,571 57,143




4) 9-Fold



Studi Ilmu Pendidikan Agama Katolik


Linear 45,833 42,857 25,794 55,754

RBF 51,786 54,365 45,833 50

Polynomial 49,008 54,563 44,246 52,778

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



64




2. Deteksi Outlier


Bimbingan dan Konseling menggunakan deteksi outlier :


1) 3-Fold





Linear 60,24 51,198 39,651 71,569

RBF 54,684 52,941 41,612 71,569

Polynomial 49,129 62,2 66,013 65,795

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



65


One-Against-One, Deteksi Outlier pada program Studi Ilmu


2) 5-Fold





Linear 60,182 66,364 54,727 71,636

RBF 62 75,818 64 69,818

Polynomial 46,727 64,545 60 71,818




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



66

3) 7-Fold





Linear 59,949 68,112 56,633 69,388

RBF 60,459 68,367 56,122 65,816

Polynomial 51,276 52,041 66,071 71,939


One-Against-One, Deteksi Outlier pada program Ilmu Pendidikan

Agama Katolik

4) 9-Fold





Linear 58,519 67,778 60,741 71,852

RBF 60,741 71,852 58,889 68,148

Polynomial 47,037 57,037 54,815 66,296

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



67





1) 3-Fold





Linear 56,536 53,05 39,651 71,569

RBF 54,684 52,941 41,612 71,569

Polynomial 52,614 64,161 66,013 65,795

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



68


One-Against-All, Deteksi Outlier pada program Studi Ilmu


2) 5-Fold





Linear 60,182 66,364 54,727 71,636

RBF 62 75,818 64 69,818

Polynomial 56,364 64,182 60 71,818




3) 7-Fold





Linear 58,163 64,541 56,633 69,388

RBF 56,888 70,153 56,122 65,816

Polynomial 53,316 62,755 66,071 71,939

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



69




4) 9-Fold





Linear 54,815 67,778 54,815 71,852

RBF 60,741 71,852 58,889 68,148

Polynomial 48,889 60,37 60,741 66,296




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



70

4.2.3 Percobaan Pada program studi Pendidikan Akutansi



Pendidikan Akutansi tanpa menggunakan deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Akutansi


Linear 44,291 51,188 62,529 56,897

RBF 38,544 53,372 61,379 55,747

Polynomial 40,843 48,889 52,184 46,552



Pendidikan Akutansi

2) 5-Fold



pada program Studi Ilmu Pendidikan Akutansi


Linear 39,739 55,686 60,196 54,771

RBF 45,556 56,863 62,148 54,771

Polynomial 40,98 45,556 47,582 43,333

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



71



Pendidikan Akutansi

3) 7-Fold



pada program Studi Pendidikan Akutansi


Linear 45,147 53,297 63,462 58,242

RBF 40,842 53,48 55,495 55,861

Polynomial 43,132 47,894 52,198 47,894



Pendidikan Akutansi

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



72

4) 9-Fold



Studi Pendidikan Akutansi


Linear 40,741 52,222 64,691 57,16

RBF 43,21 53,457 57,901 55,926

Polynomial 41,605 40,741 55,556 45,556



Pendidikan Akutansi


1) 3-Fold



program Studi Pendidikan Akutansi


Linear 46,628 51,188 61,379 58,046

RBF 40,92 54,521 57,893 53,41

Polynomial 44,33 44,368 54,483 43,218

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



73



Pendidikan Akutansi

2) 5-Fold





Linear 45,686 53,114 62,418 59,15

RBF 47,778 53,48 57,778 53,529

Polynomial 44,444 46,795 49,804 45,556



Pendidikan Akutansi

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



74

3) 7-Fold





Linear 47,802 53,114 63,553 59,249

RBF 41,85 53,48 55,495 54,67

Polynomial 43,223 46,795 52,015 46,703



Pendidikan Akutansi

4) 9-Fold



Studi Pendidikan Akutansi


Linear 46,667 55,802 63,58 57,037

RBF 41,975 53,333 54,444 57,037

Polynomial 45,185 47,531 54,691 52,469

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



75



Pendidikan Akutansi

2. Deteksi Outlier


Pendidikan Akutansi menggunakan deteksi outlier :


1) 3-Fold





Linear 36,111 56,944 70,833 47,222

RBF 31,944 59,722 63,889 47,222

Polynomial 38,889 51,389 56,944 48,611

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



76



Pendidikan Akutansi

2) 5-Fold





Linear 36,286 61,143 69,714 46,286

RBF 40,381 55,524 62,381 46,19

Polynomial 43,048 38,952 65,143 49,048



Pendidikan Akutansi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



77

3) 7-Fold





Linear 41,818 56,753 70,909 60,26

RBF 37,662 56,883 65,325 58,831

Polynomial 47,273 38,961 60,909 50,39


One-Against-One, Deteksi Outlier pada program Pendidikan

Akutansi

4) 9-Fold



Pendidikan Akutansi


Linear 34,722 58,333 68,056 58,333

RBF 36,111 52,778 68,056 52,778

Polynomial 44,444 37,5 63,889 54,167

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



78



Pendidikan Akutansi


1) 3-Fold





Linear 45,833 55,556 66,667 54,167

RBF 36,111 59,722 65,278 48,611

Polynomial 41,667 50 59,722 48,611

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



79



Pendidikan Akutansi

2) 5-Fold





Linear 45,905 56,857 72,381 51,905

RBF 45,714 54,095 60,952 51,81

Polynomial 43,143 38,952 63,619 48,952


One-Against-All, Deteksi Outlier pada program Studi Pendidikan

Akutansi

3) 7-Fold





Linear 48,831 59,61 72,338 60,26

RBF 37,792 54,156 66,753 57,532

Polynomial 42,857 40,519 56,753 51,818

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



80



Akutansi

4) 9-Fold



Pendidikan Akutansi


Linear 48,611 59,722 70,833 61,111

RBF 36,111 52,778 69,444 56,944

Polynomial 40,278 40,278 63,889 58,333



Akutansi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



81

4.2.4 Percobaan Pada program studi Pendidikan Bahasa Inggris



Pendidikan Bahasa Inggris tanpa menggunakan deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Bahasa Inggris


Linear 62,688 61,737 59,91 63,664

RBF 68,143 63,589 59,034 68,168

Polynomial 68,068 57,207 48,173 53,629



Pendidikan Bahasa Inggris

2) 5-Fold





Linear 62,727 61,818 63,636 63,636

RBF 70 62,727 61,818 67,273

Polynomial 60,909 59,091 54,545 60,909

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



82




3) 7-Fold





Linear 63,571 59,762 60,714 63,631

RBF 71,667 61,667 60,714 63,357

Polynomial 63,333 52,56 56,19 58,036



Pendidikan Pendidikan Bahasa Inggris

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



83

4) 9-Fold



Studi Pendidikan Bahasa Inggris


Linear 62,892 59,046 60,897 63,675

RBF 72,721 60,826 59,9 66,382

Polynomial 60,969 54,487 54,345 60,826





1) 3-Fold



program Studi Pendidikan Bahasa Inggris


Linear 62,688 60,836 60,861 63,664

RBF 68,143 60,861 59,034 66,341

Polynomial 65,365 58,133 53,579 59,084

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



84




2) 5-Fold





Linear 62,727 59,091 60,909 63,636

RBF 70,909 63,636 60,909 65,455

Polynomial 62,727 60 58,182 59,091




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



85

3) 7-Fold





Linear 62,619 59,821 59,762 63,631

RBF 70,774 63,452 60,714 65,298

Polynomial 60,714 55,238 59,881 59,881




4) 9-Fold



Studi Pendidikan Bahasa Inggris


Linear 62,821 59,046 59,972 63,675

RBF 70,94 61,752 60,826 66,382

Polynomial 61,966 55,342 57,194 59,972

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



86




2. Deteksi Outlier


Pendidikan Bahasa Inggris menggunakan deteksi outlier :


1) 3-Fold





Linear 68,817 72,043 68,817 69,892

RBF 67,742 66,667 67,742 70,968

Polynomial 54,839 61,29 53,763 61,29

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



87




2) 5-Fold





Linear 70,76 69,766 69,766 68,713

RBF 69,766 69,825 67,661 70,994

Polynomial 66,374 61,053 61,111 65,38




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


56

58

60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel



88

3) 7-Fold





Linear 70,722 66,327 67,504 69,702

RBF 74,019 72,92 69,702 75,118

Polynomial 66,327 64,05 61,931 67,425



Bahasa Inggris

4) 9-Fold





Linear 69,697 69,697 66,465 69,798

RBF 74,04 71,919 68,687 74,04

Polynomial 70,707 68,586 62,02 68,485

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



89





1) 3-Fold





Linear 68,817 70,968 67,742 69,892

RBF 67,742 66,667 67,742 72,043

Polynomial 58,065 63,441 60,215 62,366

56

58

60

62

64

66

68

70

72

74

76


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



90




2) 5-Fold



program Studi Pendidikan Pendidikan Bahasa Inggris


Linear 68,596 68,713 69,766 69,825

RBF 69,766 69,825 67,661 70,994

Polynomial 63,041 59,825 59,942 66,491



Bahasa Inggris

3) 7-Fold





Linear 70,801 68,524 67,504 69,702

RBF 74,091 71,821 69,702 75,118

Polynomial 63,108 61,931 60,832 65,228

54

56

58

60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel



91




4) 9-Fold





Linear 69,697 69,697 66,465 70,909

RBF 74,04 71,919 66,465 72,929

Polynomial 67,374 66,364 62,02 69,596



Bahasa Inggris

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


56

58

60

62

64

66

68

70

72

74

76


Aku

rasi

(%)

Jenis Kernel



92

4.2.5 Percobaan Pada program studi Pendidikan Biologi



Pendidikan Biologi tanpa menggunakan deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Biologi


Linear 46,748 58,272 61,524 59,024

RBF 41,809 57,439 65,61 67,276

Polynomial 41,016 54,959 57,337 59,837



Pendidikan Biologi

2) 5-Fold





Linear 46,867 58,367 61,633 58,333

RBF 41,833 55,9 69,067 69,067

Polynomial 39,267 51,733 59,933 59,133

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



93



Pendidikan Biologi

3) 7-Fold





Linear 46,919 58,497 62,512 56,676

RBF 46,032 57,703 68,301 68,207

Polynomial 42,53 50,233 58,217 60,691



Pendidikan Pendidikan Biologi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



94

4) 9-Fold



Studi Pendidikan Biologi


Linear 47,07 58,608 61,783 59,158

RBF 42,796 55,25 68,376 67,46

Polynomial 36,203 49,573 57,57 59,951



Pendidikan Biologi


1) 3-Fold



program Studi Pendidikan Biologi


Linear 38,598 58,272 61,524 59,024

RBF 45,915 54,146 63,984 67,276

Polynomial 39,37 61,504 57,419 61,565

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



95



Pendidikan Biologi

2) 5-Fold





Linear 45,133 58,367 61,633 60

RBF 41,867 56,733 67,4 69,067

Polynomial 40,233 55 63,233 60,8



Pendidikan Biologi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



96

3) 7-Fold





Linear 44,351 58,497 61,671 59,197

RBF 42,624 56,863 66,62 68,207

Polynomial 38,609 54,995 60,784 60,878



Pendidikan Biologi

4) 9-Fold



Studi Pendidikan Biologi


Linear 42,735 58,608 61,783 59,951

RBF 42,125 56,044 65,873 68,315

Polynomial 37,912 54,335 60,867 61,661

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



97



Pendidikan Biologi

2. Deteksi Outlier


Pendidikan Biologi menggunakan deteksi outlier :


1) 3-Fold





Linear 54,07 66,072 72,074 69,103

RBF 57,071 66,072 75,104 70,113

Polynomial 51,01 60,071 67,974 57,992

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



98



Pendidikan Biologi

2) 5-Fold





Linear 54 66 72 69

RBF 54 66 73 74

Polynomial 54 64 71 67



Pendidikan Biologi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



99

3) 7-Fold





Linear 54,218 66,19 72,109 69,116

RBF 60 66,19 78,095 72,177

Polynomial 51,905 60,068 68,98 66,939



Biologi

4) 9-Fold



Pendidikan Biologi


Linear 54,04 66,077 72,138 69,192

RBF 58,081 66,077 79,04 73,232

Polynomial 46,97 58,081 62,29 65,32

0

10

20

30

40

50

60

70

80

90


Aku

rasi

(%)

Jenis Kernel



100



Pendidikan Biologi


1) 3-Fold





Linear 54,07 66,072 72,074 69,103

RBF 56,061 66,072 75,104 68,093

Polynomial 42,038 62,062 72,074 65,003

0

10

20

30

40

50

60

70

80

90


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



101



Pendidikan Biologi

2) 5-Fold



program Studi Pendidikan Pendidikan Biologi


Linear 54 66 72 69

RBF 57 66 73 75




Biologi

3) 7-Fold





Linear 53,265 66,19 72,109 69,116

RBF 56,054 65,17 76,054 73,129

Polynomial 48,98 59,932 72,109 67,007

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



102



Pendidikan Biologi

4) 9-Fold



Pendidikan Biologi


Linear 52,104 66,077 72,138 69,192

RBF 59,259 66,077 75,094 73,232

Polynomial 50 59,933 69,192 65,152



Biologi

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



103

4.2.6 Percobaan Pada program studi Pendidikan Bahasa dan Sastra

Indonesia



Pendidikan Bahasa dan Sastra Indonesia tanpa menggunakan

deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Bahasa dan Sastra

Indonesia


Linear 53,63 57,702 53,598 50,505

RBF 53,598 59,754 60,827 54,64

Polynomial 51,641 55,682 48,611 52,715



Pendidikan Bahasa dan Sastra Indonesia

2) 5-Fold




Indonesia


Linear 53,939 57,771 51,648 48,421

RBF 54,747 57,771 58,87 56,737

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



104

Polynomial 54,343 52,59 52,59 52,684




3) 7-Fold




Indonesia


Linear 53,689 57,771 51,648 48,509

RBF 55,73 57,771 58,87 54,788

Polynomial 54,553 52,59 52,59 47,253

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



105



Pendidikan Pendidikan Bahasa dan Sastra Indonesia

4) 9-Fold



Studi Pendidikan Bahasa dan Sastra Indonesia


Linear 53,939 57,879 52,02 49,899

RBF 54,747 59,798 55,758 50,707

Polynomial 54,343 53,535 49,394 47,273





1) 3-Fold



program Studi Pendidikan Bahasa dan Sastra Indonesia


Linear 53,63 57,702 53,598 48,422

RBF 51,547 57,702 59,817 54,64

Polynomial 50,568 55,713 57,797 52,683

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



106




2) 5-Fold





Linear 53,632 57,579 51,474 46,316

RBF 52,579 58,632 56,632 51,579

Polynomial 54,737 59,789 59,842 51,684




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



107

3) 7-Fold





Linear 53,689 57,771 52,669 47,488

RBF 54,631 57,771 56,672 49,608

Polynomial 52,512 53,768 54,71 50,549




4) 9-Fold



Studi Pendidikan Bahasa dan Sastra Indonesia


Linear 53,939 57,879 53,03 45,556

RBF 50,404 58,687 51,717 51,919

Polynomial 53,434 56,768 55,657 46,364

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



108




2. Deteksi Outlier


Pendidikan Bahasa dan Sastra Indonesia menggunakan deteksi

outlier :


1) 3-Fold





Linear 59,744 65,785 60,935 57,275

RBF 60,979 65,785 62,169 52,469

Polynomial 46,561 38,977 35,317 41,534

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



109




2) 5-Fold





Linear 59,779 65,662 60,809 56,029

RBF 53,75 65,662 59,632 53,676

Polynomial 57,279 56,103 48,603 51,471




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



110

3) 7-Fold





Linear 59,957 65,909 61,255 56,385

RBF 58,766 65,909 56,277 49,026

Polynomial 59,74 61,039 47,403 42,532



Bahasa dan Sastra Indonesia

4) 9-Fold





Linear 59,753 65,679 58,272 54,568

RBF 58,519 63,21 55,802 46,42

Polynomial 53,704 54,568 44,691 39,877

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



111





1) 3-Fold





Linear 59,744 65,785 60,935 58,51

RBF 58,554 65,785 59,744 48,898

Polynomial 43,783 45,018 31,79 44,048

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



112




2) 5-Fold



Pendidikan Pendidikan Bahasa dan Sastra Indonesia


Linear 59,779 65,662 50,809 57,206

RBF 56,176 65,662 55,956 51,324

Polynomial 55 58,382 52,279 47,794




3) 7-Fold





Linear 59,957 65,909 61,255 57,576

RBF 54,978 65,909 55,087 46,645

Polynomial 57,359 58,55 46,212 36,797

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



113




4) 9-Fold





Linear 59,753 65,679 60,741 54,568

RBF 57,284 63,21 54,568 42,84

Polynomial 50 54,691 50,988 39,877




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



114

4.2.7 Percobaan Pada program studi Pendidikan Ekonomi



Pendidikan Ekonomi tanpa menggunakan deteksi outlier :


1) 3-Fold


Multiclass One-Against-One, Tanpa Deteksi Outlier pada

program Studi Pendidikan Ekonomi


Linear 25 26,667 48,333 43,333

RBF 33,333 28,333 53,333 38,333

Polynomial 30 33,333 33,333 36,667



Pendidikan Ekonomi

2) 5-Fold



pada program Studi Pendidikan Ekonomi


Linear 23,333 38,333 45 43,333

RBF 23,333 31,667 56,667 43,333

Polynomial 28,333 33,333 40 36,667

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



115



Pendidikan Ekonomi

3) 7-Fold



pada program Studi Pendidikan Ekonomi


Linear 35,516 42,659 47,222 43,651

RBF 25 30,357 55,556 40,079

Polynomial 24,603 35,317 35,516 38,095



Pendidikan Pendidikan Ekonomi

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



116

4) 9-Fold





Linear 35,185 37,302 46,825 43,651

RBF 24,603 28,836 50,265 38,624

Polynomial 30,952 32,54 38,889 28,307



Pendidikan Ekonomi


1) 3-Fold



program Studi Ekonomi


Linear 31,667 40 50 31,667

RBF 26,667 30 53,333 41,667

Polynomial 28,333 35 50 35

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



117



Pendidikan Ekonomi

2) 5-Fold





Linear 23,333 30 53,333 25

RBF 21,667 23,333 53,333 48,333

Polynomial 31,667 36,667 45 40



Pendidikan Ekonomi

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



118

3) 7-Fold





Linear 27,976 27,976 50,595 33,333

RBF 18,056 24,802 50,397 45,437

Polynomial 26,19 33,532 43,452 43,452



Pendidikan Ekonomi

4) 9-Fold





Linear 20,106 35,185 50,529 34,921

RBF 19,841 25,661 48,677 39,947

Polynomial 28,571 35,979 36,772 37,302

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



119



Pendidikan Ekonomi

2. Deteksi Outlier


Pendidikan Bahasa Inggris menggunakan deteksi outlier :


1) 3-Fold





Linear 31,25 43,75 54,167 52,083

RBF 37,5 39,583 54,167 47,917

Polynomial 37,5 31,25 50 33,333

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



120



Pendidikan Ekonomi

2) 5-Fold





Linear 27,333 42,444 60,889 48,222

RBF 33,556 46,667 61,111 48,222

Polynomial 35,111 36 50,667 48



Pendidikan Ekonomi

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



121

3) 7-Fold





Linear 31,293 48,299 58,844 46,259

RBF 31,293 43,878 64,626 41,497

Polynomial 20,408 35,714 46,259 45,578



Ekonomi

4) 9-Fold





Linear 36,296 52,593 51,481 48,148

RBF 38,148 48,519 56,667 44,074

Polynomial 35,926 38,889 47,407 35,926

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



122



Pendidikan Ekonomi


1) 3-Fold





Linear 29,167 43,75 56,25 50

RBF 27,083 35,417 56,25 47,917

Polynomial 27,083 27,083 54,167 31,25

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



123



Pendidikan Ekonomi

2) 5-Fold


Multiclass One-Against-All, Deteksi Outlier pada program

Studi Pendidikan Pendidikan Ekonomi


Linear 14,889 44,667 65,111 50,222

RBF 18,667 38,444 56,889 46

Polynomial 29,111 31,556 56,667 45,778



Ekonomi

3) 7-Fold





Linear 14,966 48,299 60,884 52,381

RBF 18,707 41,837 64,626 45,578

Polynomial 25,17 37,755 60,544 39,456

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



124



Pendidikan Ekonomi

4) 9-Fold



Studi Pendidikan Ekonomi


Linear 21,111 48,299 57,778 50,741

RBF 24,815 41,837 56,667 48,519

Polynomial 32,963 37,755 53,333 43,333



Ekonomi

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



125

4.2.8 Percobaan Pada program studi Pendidikan Fisika



Pendidikan Fisika tanpa menggunakan deteksi outlier :


1) 3-Fold



program Studi Pendidikan Fisika


Linear 41,984 51,746 56,825 51,825

RBF 37,143 51,667 63,016 51,667

Polynomial 37,063 48,413 56,508 56,429



Pendidikan Fisika

2) 5-Fold



pada program Studi Pendidikan Fisika


Linear 38,59 48,205 55 58,333

RBF 32,308 48,205 62,821 56,538

Polynomial 29,231 46,667 55 57,949

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



126



Pendidikan Fisika

3) 7-Fold



pada program Studi Pendidikan Fisika


Linear 43,849 50,595 56,746 60,317

RBF 35,714 55,159 64,881 59,921

Polynomial 33,939 48,214 61,31 61,111



Pendidikan Pendidikan Fisika

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



127

4) 9-Fold





Linear 45,503 46,032 55,026 56,878

RBF 32,54 58,73 64,815 61,376

Polynomial 37,302 43,386 55,026 54,762



Pendidikan Fisika


1) 3-Fold





Linear 32,381 48,413 48,492 46,825

RBF 32,381 48,413 58,095 49,921

Polynomial 25,794 45,159 49,921 43,413

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



128



Pendidikan Fisika

2) 5-Fold





Linear 28,077 51,538 55 55

RBF 32,308 46,667 62,821 54,872

Polynomial 27,821 34,103 46,538 40,128



Pendidikan Fisika

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



129

3) 7-Fold





Linear 21,429 42,063 56,944 60,317

RBF 28,968 51,786 64,881 58,333

Polynomial 32,143 35,317 46,627 43,254



Pendidikan Fisika

4) 9-Fold





Linear 17,989 44,18 53,439 56,878

RBF 32,54 52,116 64,815 59,788

Polynomial 25,661 43,386 40,212 38,36

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



130



Pendidikan Fisika

2. Deteksi Outlier


Pendidikan Fisika menggunakan deteksi outlier :


1) 3-Fold





Linear 42,892 63,235 63,48 61,397

RBF 44,975 69,608 61,397 61,397

Polynomial 22,426 42,892 67,402 63,113

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



131



Pendidikan Fisika

2) 5-Fold





Linear 45,111 61,556 67,556 69,778

RBF 40,889 65,556 69,556 71,778

Polynomial 29,111 51,111 58,889 54,444



Pendidikan Fisika

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



132

3) 7-Fold





Linear 46,939 67,347 61,224 63,265

RBF 40,816 75,51 71,429 73,469

Polynomial 36,735 46,939 51,02 55,102



Fiska

4) 9-Fold





Linear 43,333 69,63 70 70,37

RBF 38,148 71,852 75,926 80

Polynomial 28,889 47,407 64,074 58,148

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



133



Pendidikan Fisika


1) 3-Fold





Linear 47,059 63,113 63,48 61,397

RBF 44,853 65,441 65,441 61,397

Polynomial 28,431 53,186 67,279 69,24

0

10

20

30

40

50

60

70

80

90


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



134



Pendidikan Fisika

2) 5-Fold



program Studi Pendidikan Pendidikan Fisika


Linear 47,333 59,778 65,556 69,778

RBF 41,111 63,556 67,556 71,778

Polynomial 28,889 53,778 67,333 59,111



Fisika

3) 7-Fold





Linear 42,857 67,347 61,224 63,265

RBF 44,898 73,469 73,469 75,51

Polynomial 36,612 57,143 69,388 67,347

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



135



Pendidikan Fisika

4) 9-Fold



Studi Pendidikan Fisika


Linear 39,63 67,407 65,926 68,148

RBF 38,519 71,852 77,778 80

Polynomial 21,852 53,704 67,778 79,37



Fisika

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80

90


Aku

rasi

(%)

Jenis Kernel



136

4.2.9 Percobaan Pada program studi Pendidikan Guru Sekolah Dasar



Pendidikan Guru Sekolah Dasar tanpa menggunakan deteksi

outlier :


1) 3-Fold



pada program Studi Pendidikan Guru Sekolah Dasar


Linear 66,667 69,959 68,313 66,667

RBF 66,667 69,959 67,078 65,432

Polynomial 61,728 67,901 65,844 63,786



Pendidikan Guru Sekolah Dasar

2) 5-Fold





Linear 66,65 69,957 68,291 66,641

RBF 66,65 69,541 67,058 67,874

Polynomial 61,735 69,541 66,65 66,259

56

58

60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel



137




3) 7-Fold





Linear 66,639 69,94 68,283 66,627

RBF 66,639 69,112 67,047 67,443

Polynomial 64,574 68,703 64,598 64,562



Pendidikan Pendidikan Guru Sekolah Dasar

56

58

60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel


61

62

63

64

65

66

67

68

69

70

71


Aku

rasi

(%)

Jenis Kernel



138

4) 9-Fold



program Studi Pendidikan Guru Sekolah Dasar


Linear 66,667 69,959 68,313 66,667

RBF 66,667 69,547 67,078 65,844

Polynomial 63,786 68,313 64,609 65,844





1) 3-Fold





Linear 66,667 69,959 68,313 66,667

RBF 66,667 69,959 67,078 65,432

Polynomial 63,374 67,901 65,844 65,432

60

61

62

63

64

65

66

67

68

69

70

71


Aku

rasi

(%)

Jenis Kernel



139




2) 5-Fold





Linear 66,65 69,957 68,291 66,641

RBF 66,65 69,541 67,058 67,874

Polynomial 63,367 69,957 66,241 66,25




60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel


60

62

64

66

68

70

72


Aku

rasi

(%)

Jenis Kernel



140

3) 7-Fold





Linear 66,639 69,94 68,283 66,627

RBF 66,639 68,703 67,047 67,035

Polynomial 64,166 67,059 64,586 64,562




4) 9-Fold





Linear 66,667 69,959 68,313 66,667

RBF 66,667 69,136 66,667 65,432

Polynomial 64,198 66,255 65,844 64,198

61

62

63

64

65

66

67

68

69

70

71


Aku

rasi

(%)

Jenis Kernel



141




2. Deteksi Outlier


Pendidikan Guru Sekolah Dasar menggunakan deteksi outlier :


1) 3-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,762 70,952

Polynomial 67,143 64,762 58,571 52,857

61

62

63

64

65

66

67

68

69

70

71


Aku

rasi

(%)

Jenis Kernel



142




2) 5-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,286 71,905

Polynomial 65,714 75,714 72,381 70,952




0

10

20

30

40

50

60

70

80

90


Aku

rasi

(%)

Jenis Kernel


58

60

62

64

66

68

70

72

7476

78

80


Aku

rasi

(%)

Jenis Kernel



143

3) 7-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,286 72,381

Polynomial 67,143 74,286 70 68,571



Guru Sekolah Dasar

4) 9-Fold





Linear 72,846 77,154 74,215 71,88

RBF 72,846 77,154 74,215 70,471

Polynomial 65,197 75,745 70,934 66,224

62

64

66

68

70

72

74

76

78


Aku

rasi

(%)

Jenis Kernel



144





1) 3-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,762 70,952

Polynomial 66,19 73,81 69,524 65,238

58

60

62

64

66

68

7072

74

76

78

80


Aku

rasi

(%)

Jenis Kernel


58

60

62

64

6668

70

72

74

76

78

80


Aku

rasi

(%)

Jenis Kernel



145




2) 5-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,286 71,905

Polynomial 66,667 76,667 71,905 69,524



Guru Sekolah Dasar

3) 7-Fold





Linear 72,857 77,143 74,286 71,905

RBF 72,857 77,143 74,286 72,381

Polynomial 66,19 74,762 70,476 67,143

60

62

64

66

68

70

72

74

76

78


Aku

rasi

(%)

Jenis Kernel



146




4) 9-Fold



Studi Pendidikan Guru Sekolah Dasar


Linear 72,846 77,154 74,215 71,88

RBF 72,846 77,154 74,215 70,954

Polynomial 67,613 77,154 70,491 65,278



Guru Sekolah Dasar

60

62

64

66

68

70

72

74

76

78


Aku

rasi

(%)

Jenis Kernel


58

60

62

64

66

68

70

72

7476

78

80


Aku

rasi

(%)

Jenis Kernel



147

4.2.10 Percobaan Pada program studi Pendidikan Matematika



Pendidikan Matematika tanpa menggunakan deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Matematika


Linear 52,615 64,513 57,897 56,667

RBF 63,282 64,462 61,795 54

Polynomial 48,615 44,718 43,385 51,385



Pendidikan Matematika

2) 5-Fold





Linear 59,083 65,583 55,167 56,583

RBF 65,75 64,417 61,75 55,25

Polynomial 47,25 48,667 51,167 51,25

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



148




3) 7-Fold





Linear 56,753 64,247 57,922 56,623

RBF 64,117 62,987 60,519 52,727

Polynomial 43,247 51,299 50,13 44,675



Pendidikan Pendidikan Matematika

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



149

4) 9-Fold



program Studi Pendidikan Matematika


Linear 54,167 60,648 56,481 56,636

RBF 60,802 64,506 61,883 54,012

Polynomial 42,284 52,778 50 47,377





1) 3-Fold





Linear 53,949 57,897 56,564 58

RBF 60,615 60,462 63,128 56,615

Polynomial 44,667 42,051 42,051 47,436

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



150




2) 5-Fold





Linear 57,833 64,333 55,167 57,917

RBF 64,5 65,75 59,083 59,25

Polynomial 45,917 51,167 47,25 59,25




0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



151

3) 7-Fold





Linear 54,156 58,052 59,221 57,922

RBF 63,117 63,117 59,221 55,325

Polynomial 36,623 49,87 48,701 47,273




4) 9-Fold





Linear 48,765 59,414 56,481 56,636

RBF 59,722 62,037 61,728 58,025

Polynomial 43,673 50,309 44,907 55,401

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



152




2. Deteksi Outlier


Pendidikan Matematika menggunakan deteksi outlier :


1) 3-Fold





Linear 61,667 63,333 60 55

RBF 56,667 61,667 66,667 56,667

Polynomial 46,667 40 41,667 48,333

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



153




2) 5-Fold





Linear 68,333 75 63,333 63,333

RBF 65 68,333 70 63,333

Polynomial 48,333 43,333 43,333 53,333




0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



154

3) 7-Fold





Linear 59,921 70,04 63,492 63,492

RBF 59,524 62,897 66,667 60,317

Polynomial 43,254 57,341 51,587 51,786



Matematika

4) 9-Fold





Linear 63,492 71,958 62,963 63,492

RBF 57,672 66,402 61,111 60,317

Polynomial 43,651 47,09 56,614 46,825

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



155

Gambar 4.157Grafik akurasi menggunakan 9-Fold, Multiclass




1) 3-Fold





Linear 56,667 63,333 61,667 56,667

RBF 55 56,667 65 56,667


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



156




2) 5-Fold



program Studi Pendidikan Pendidikan Matematika


Linear 66,667 75 61,667 63,333

RBF 61,667 65 63,333 61,667

Polynomial 48,333 50 53,333 48,333



Matematika

3) 7-Fold





Linear 61,508 70,04 65,079 63,492

RBF 56,349 59,722 65,079 61,905

Polynomial 51,389 55,754 53,77 47,024

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



157




4) 9-Fold



Studi Pendidikan Matematika


Linear 61,64 70,106 64,55 63,492

RBF 54,497 62,963 61,111 65,079

Polynomial 45,238 48,677 60,053 53,704



Matematika

0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70

80


Aku

rasi

(%)

Jenis Kernel



158

4.2.11 Percobaan Pada program studi Pendidikan Sejarah



Pendidikan Sejarah tanpa menggunakan deteksi outlier :


1) 3-Fold



pada program Studi Pendidikan Sejarah


Linear 45,713 47,101 50 51,449

RBF 48,611 38,527 49,879 49,94

Polynomial 41,546 38,527 39,976 44,324



Pendidikan Sejarah

2) 5-Fold





Linear 41,429 47,143 50 51,429

RBF 44,286 42,857 47,143 50

Polynomial 40 40 44,286 42,857

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



159



Pendidikan Sejarah

3) 7-Fold





Linear 44,286 47,143 50 51,429

RBF 45,714 42,857 48,571 50

Polynomial 34,286 35,714 40 41,429



Pendidikan Pendidikan Sejarah

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



160

4) 9-Fold



program Studi Pendidikan Sejarah


Linear 46,23 47,024 50 51,389

RBF 46,032 42,659 47,024 48,413

Polynomial 37,5 35,516 41,27 44,048



Pendidikan Sejarah


1) 3-Fold





Linear 40,036 39,915 47,101 48,551

RBF 40,097 34,239 49,94 52,778

Polynomial 41,425 32,79 37,077 37,138

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



161



Pendidikan Sejarah

2) 5-Fold





Linear 41,429 42,857 45,714 51,429

RBF 38,571 30 42,857 50

Polynomial 31,429 35,714 38,571 42,857



Pendidikan Sejarah

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



162

3) 7-Fold





Linear 45,714 38,571 45,714 50

RBF 40 32,857 44,286 45,714

Polynomial 35,714 31,429 34,286 38,571



Pendidikan Sejarah

4) 9-Fold





Linear 44,841 43,056 41,667 50

RBF 40,476 32,937 44,444 44,444

Polynomial 34,127 32,738 32,738 35,317

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



163



Pendidikan Sejarah

2. Deteksi Outlier


Pendidikan Sejarah menggunakan deteksi outlier :


1) 3-Fold





Linear 49,346 54,466 54,466 58,279

RBF 49,346 50,763 54,466 54,575

Polynomial 41,285 39,869 46,841 41,176

0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



164



Pendidikan Sejarah

2) 5-Fold





Linear 43,455 52 55,818 57,818

RBF 41,818 44,727 55,818 56

Polynomial 39,455 44,727 52 50,182



Pendidikan Sejarah

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



165

3) 7-Fold





Linear 49,235 52,041 55,612 57,653

RBF 43,878 48,214 51,786 53,827

Polynomial 37,755 50 51,786 49,745



Sejarah

4) 9-Fold





Linear 47,778 51,111 52,963 58,519

RBF 44,074 47,707 49,259 52,963

Polynomial 49,259 47,407 50,741 50,37

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



166



Pendidikan Sejarah


1) 3-Fold





Linear 49,237 50,763 54,466 58,279

RBF 54,902 52,614 56,427 56,536

Polynomial 45,316 36,057 45,098 43,137

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



167



Pendidikan Sejarah

2) 5-Fold





Linear 47,091 54 55,818 57,818

RBF 49,273 44,727 54 56

Polynomial 38 50,545 52,364 56,182



Sejarah

3) 7-Fold





Linear 52,806 50 53,827 57,653

RBF 47,704 48,214 53,571 53,827

Polynomial 36,224 52,041 52,041 54,082

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



168



Pendidikan Sejarah

4) 9-Fold



Studi Pendidikan Sejarah


Linear 47,778 49,259 53,333 56,667

RBF 51,852 47,407 47,407 52,963

Polynomial 40,741 52,963 51,111 52,593



Sejarah

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


0

10

20

30

40

50

60


Aku

rasi

(%)

Jenis Kernel



169

4.2.12 Percobaan Pada Fakultas Guruan dan Ilmu Pendidikan


Berikut ini merupakan hasil akurasi terhadap Fakultas

Guruan dan Ilmu Pendidikan tanpa menggunakan deteksi outlier

:


1) 3-Fold



pada Fakultas Guruan dan Ilmu Pendidikan


Linear 51,507 54,977 56,164 57,443

RBF 50,502 53,881 53,79 56,438

Polynomial 50,594 54,612 55,16 56,986


One-Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan

dan Ilmu Pendidikan

2) 5-Fold





Linear 51,507 54,977 56,164 57,443

RBF 50,969 54,247 54,977 56,621

Polynomial 51,416 54,703 55,16 56,986

46

48

50

52

54

56

58


Aku

rasi

(%)

Jenis Kernel



170



dan Ilmu Pendidikan

3) 7-Fold





Linear 51,518 54,989 56,175 57,445

RBF 50,967 54,345 55,53 56,804

Polynomial 51,426 54,623 55,44 56,896



dan Ilmu Pendidikan

46

48

50

52

54

56

58


Aku

rasi

(%)

Jenis Kernel


46

48

50

52

54

56

58


Aku

rasi

(%)

Jenis Kernel



171

4) 9-Fold



Fakultas Guruan dan Ilmu Pendidikan


Linear 51,522 54,993 56,178 57,454

RBF 50,698 54,076 55,627 57,178

Polynomial 51,522 54,901 55,902 57,362



dan Ilmu Pendidikan


1) 3-Fold





Linear 50,776 54,977 56,164 57,443

RBF 49,589 53,699 53,699 56,256

Polynomial 49,68 54,429 54,795 56,895

46

48

50

52

54

56

58


Aku

rasi

(%)

Jenis Kernel



172


One-Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan

dan Ilmu Pendidikan

2) 5-Fold





Linear 50,502 54,977 56,164 57,443

RBF 48,767 54,155 54,795 56,986

Polynomial 49,498 54,429 55,068 56,712



dan Ilmu Pendidikan

44

46

48

50

52

54

56

58

60


Aku

rasi

(%)

Jenis Kernel


44

46

48

50

52

54

56

58

60


Aku

rasi

(%)

Jenis Kernel



173

3) 7-Fold





Linear 50,787 54,989 56,175 57,445

RBF 49,595 54,71 54,431 56,62

Polynomial 49,78 54,988 54,893 57,078



dan Ilmu Pendidikan

4) 9-Fold





Linear 51,064 54,993 56,178 57,454

RBF 49,6 54,074 55,44 57,083

Polynomial 49,876 54,537 55,811 57,454

44

46

48

50

52

54

56

58

60


Aku

rasi

(%)

Jenis Kernel



174



dan Ilmu Pendidikan

2. Deteksi Outlier

Berikut ini merupakan hasil akurasi terhadap Fakultas

Guruan dan Ilmu Pendidikan menggunakan deteksi outlier :


1) 3-Fold





Linear 55,927 61,476 62,224 63,18

RBF 54,86 61,263 61,156 61,9

Polynomial 54,009 57,738 52,617 55,283

44

46

48

50

52

54

56

58

60


Aku

rasi

(%)

Jenis Kernel



175


One-Against-One, Deteksi Outlier pada Fakultas Guruan dan

Ilmu Pendidikan

2) 5-Fold





Linear 55,93 61,479 62,224 63,177

RBF 54,014 60,734 62,543 61,688

Polynomial 55,291 61,479 61,797 62,537



Ilmu Pendidikan

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


48

50

52

54

56

58

60

62

64


Aku

rasi

(%)

Jenis Kernel



176

3) 7-Fold





Linear 55,918 61,467 62,215 63,178

RBF 51,547 58,268 57,631 57,313

Polynomial 54,316 61,467 60,824 62



Ilmu Pendidikan

4) 9-Fold





Linear 55,921 61,467 62,215 63,172

RBF 54,117 60,938 60,52 63,066

Polynomial 55,173 61,467 62,215 63,172

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel



177



Ilmu Pendidikan


1) 3-Fold





Linear 55,82 61,476 62,224 63,18

RBF 55,5 61,263 61,263 61,901

Polynomial 54,329 59,02 55,716 59,127

48

50

52

54

56

58

60

62

64


Aku

rasi

(%)

Jenis Kernel


48

50

52

54

56

58

60

62

64


Aku

rasi

(%)

Jenis Kernel



178


One-Against-All, Deteksi Outlier pada Fakultas Guruan dan

Ilmu Pendidikan

2) 5-Fold





Linear 55,93 61,479 62,224 63,177

RBF 53,482 61,266 62,01 62,007

Polynomial 54,97 61,158 62,224 62,963


One-Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu

Pendidikan

3) 7-Fold





Linear 55,918 61,467 62,215 63,178

RBF 52,613 58,695 57,844 58,486

Polynomial 54,745 61,253 61,682 62,43

48

50

52

54

56

58

60

62

64


Aku

rasi

(%)

Jenis Kernel



179



Pendidikan

4) 9-Fold





Linear 55,921 61,467 62,215 63,172

RBF 54,652 60,091 59,991 62,115

Polynomial 54,322 61,254 62,215 63,172



Pendidikan

0

10

20

30

40

50

60

70


Aku

rasi

(%)

Jenis Kernel


48

50

52

54

56

58

60

62

64


Aku

rasi

(%)

Jenis Kernel



180

4.3 Analisis Hasil Keseluruhan Pengujian

Algoritma Support Vector Machine dengan proses awal dataset tersebut

melalui pembersihan data, multiclass, kernel, dan k-fold yang berbeda

menghasilkan akurasi tertinggi dari setiap program studi di Fakultas

Keguruan dan Ilmu Pendidikan adalah sebagai berikut:

Tabel 4.196 Akurasi Tertinggi Setiap Program Studi

Program

Studi

Akurasi

Tertinggi IPK

Deteksi

Outlier Multiclass Kernel

Jumlah

Fold

Bimbingan

dan

Konseling

59,568% 1 Ya

one

against

one

linear 3

72,222% 2 Ya

one

against

all

rbf 3

67,208% 3 Ya

one

against

one dan

one

against

all

linear dan

rbf 7

70,988% 4 Ya

one

against

one dan

one

against

all

linear dan

rbf 9

Ilmu

Pendidikan

Agama

Katolik

62% 1 Ya

one

against

one dan

one

rbf 5


181

against

all

75,818% 2 Ya

multiclass

one

against

one dan

one

against

all

rbf 5

66,071% 3 Ya

one

against

one dan

one

against

all

polynomial 7

71,939% 4 Ya

one

against

one dan

one

against

all

polynomial 7

Pendidikan

Akutansi

48,831% 1 Ya

one

against

all

linear 7

61,143% 2 Ya

one

against

one

linear 5

72,381% 3 Ya

one

against

all

linear 5


182

61,111% 4 Ya

one

against

all

linear 9

Pendidikan

Bahasa

Inggris

74,091% 1 Ya

one

against

all

rbf 7

72,92% 2 Ya

one

against

one

rbf 7

69,766% 3 Ya

one

against

one dan

one

against

all

linear dan

rbf 5

75,118% 4 Ya

one

against

one dan

one

against

all

rbf 7

Pendidikan

Biologi

60% 1 Ya

one

against

one

rbf 7

66,19% 2 Ya

one

against

one dan

one

against

all

linear dan

rbf 7


183

79,04% 3 Ya

one

against

one

linear dan

rbf 9

75% 4 Ya

one

against

all

linear dan

rbf 5

Pendidikan

Bahasa dan

Sastra

Indonesia

60,979% 1 Ya

one

against

one

rbf 3

65,909% 2 Ya

one

against

one dan

one

against

all

linear dan

rbf 7

62,169% 3 Ya

one

against

one

rbf 3

58,51% 4 Ya

one

against

all

linear 3

Pendidikan

Ekonomi

38,148% 1 Ya

one

against

one

rbf 9

52,593% 2 Ya

one

against

one

linear 9

65,111% 3 Ya

one

against

all

linear 5


184

52,381% 4 Ya

one

against

all

linear 7

Pendidikan

Fisika

47,333% 1 Ya

one

against

all

linear 5

75,51% 2 Ya

one

against

one

rbf 7

77,778% 3 Ya

one

against

all

rbf 9

80% 4 Ya

one

against

one dan

one

against

all

rbf 9

Pendidikan

Guru

Sekolah

Dasar

72,857% 1 Ya

multiclass

one

against

one dan

one

against

all

linear dan

rbf

3, 5,

dan 7

77,154% 2 Ya

one

against

one dan

one

against

all

linear, rbf,

dan

polynomial

9


185

74,762% 3 Ya

one

against

one dan

one

against

all

rbf 5

72,381% 4 Ya

multiclass

one

against

one dan

one

against

all

rbf 7

Pendidikan

Matematika

68,333% 1 Ya

one

against

one

linear 5

75% 2 Ya

one

against

one dan

one

against

all

linear 5

70% 3 Ya

one

against

one dan

one

against

all

rbf 5

65,079% 4 Ya

one

against

all

rbf 9


186

Pendidikan

Sejarah

54,902% 1 Ya

one

against

all

rbf, 3

54,466% 2 Ya

one

against

one

linear 3

56,427% 3 Ya

one

against

all

rbf 3

58,519% 4 Ya

one

against

one

linear 9

Fakultas

Keguruan

dan Ilmu

Pendidikan

55,93% 1 Ya

one

against

one

linear 5

61,479% 2 Ya

one

against

one dan

one

against

all

linear dan

polynomial 5

62,543% 3 Ya

one

against

one

rbf 5

63,18% 4 Ya

one

against

one dan

one

against

all

linear 3


187

a. Hasil akurasi tertinggi dari dataset program studi Bimbingan dan

Konseling adalah untuk IPK 1 dengan deteksi outlier, multiclass one

against one, kernel linear, dan 3 fold menghasilkan akurasi 59,568%.

Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one against all,

kernel rbf dan 3 fold menghasilkan akurasi 72,222%. Untuk IPK 3

dengan dikenai deteksi outlier, multiclass one against one dan one

against all, kernel linear dan rbf, dan 7 fold menghasilkan akurasi

67,208%. Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one

against one dan one against all, kernel linear dan rbf, dan 9 fold

menghasilkan akurasi 70,988%.

b. Hasil akurasi tertinggi dari dataset program studi Ilmu Pendidikan

Agama Katolik adalah untuk IPK 1 dengan deteksi outlier, multiclass

one against one dan one against all, kernel rbf, dan 5 fold menghasilkan

akurasi 62%. Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one

against one dan one against all, kernel rbf dan 5 fold menghasilkan

akurasi 75,818%. Untuk IPK 3 dengan dikenai deteksi outlier,

multiclass one against one dan one against all, kernel polynomial, dan

7 fold menghasilkan akurasi 66,071%. Untuk IPK 4 dengan dikenai

deteksi outlier, multiclass one against one dan one against all, kernel

polynomial, dan 7 fold menghasilkan akurasi 71,939%.

c. Hasil akurasi tertinggi dari dataset program studi Pendidikan Akutansi

adalah untuk IPK 1 dengan deteksi outlier, multiclass one against all,

kernel linear, dan 7 fold menghasilkan akurasi 48,831%. Untuk IPK 2

dengan dikenai deteksi outlier, multiclass one against one, kernel linear

dan 5 fold menghasilkan akurasi 61,143%. Untuk IPK 3 dengan dikenai

deteksi outlier, multiclass one against all, kernel linear, dan 5 fold

menghasilkan akurasi 72,381%. Untuk IPK 4 dengan dikenai deteksi

outlier, multiclass one against all, kernel linear, dan 9 fold


d. Hasil akurasi tertinggi dari dataset program studi Pendidikan Bahasa

Inggris adalah untuk IPK 1 dengan deteksi outlier, multiclass one

against all, kernel rbf, dan 7 fold menghasilkan akurasi 74,091%. Untuk


188

IPK 2 dengan dikenai deteksi outlier, multiclass one against one, kernel

rbf dan 7 fold menghasilkan akurasi 72,92%. Untuk IPK 3 dengan

dikenai deteksi outlier, multiclass one against one dan one against all,

kernel linear dan rbf, dan 5 fold menghasilkan akurasi 69,766%. Untuk

IPK 4 dengan dikenai deteksi outlier, multiclass one against one dan one

against all, kernel rbf, dan 7 fold menghasilkan akurasi 75,118%.

e. Hasil akurasi tertinggi dari dataset program studi Pendidikan Biologi

adalah untuk IPK 1 dengan deteksi outlier, multiclass one against one,

kernel rbf, dan 7 fold menghasilkan akurasi 60%. Untuk IPK 2 dengan

dikenai deteksi outlier, multiclass one against one dan one against all,

kernel linear dan rbf dan 7 fold menghasilkan akurasi 66,19%. Untuk

IPK 3 dengan dikenai deteksi outlier, multiclass one against one, kernel

linear dan rbf, dan 9 fold menghasilkan akurasi 79,04%. Untuk IPK 4

dengan dikenai deteksi outlier, multiclass one against all, kernel linear

dan rbf, dan 5 fold menghasilkan akurasi 75%.

f. Hasil akurasi tertinggi dari dataset program studi Pendidikan Bahasa dan

Sastra Indonesia adalah untuk IPK 1 dengan deteksi outlier, multiclass

one against one, kernel rbf, dan 3 fold menghasilkan akurasi 60,979%.

Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one against one

dan one against all, kernel linear dan rbf dan 7 fold menghasilkan

akurasi 65,909%. Untuk IPK 3 dengan dikenai deteksi outlier,

multiclass one against one, kernel rbf, dan 3 fold menghasilkan akurasi


against all, kernel linear, dan 3 fold menghasilkan akurasi 58,51%.

g. Hasil akurasi tertinggi dari dataset program studi Pendidikan Ekonomi

adalah untuk IPK 1 dengan deteksi outlier, multiclass one against one,

kernel rbf, dan 9 fold menghasilkan akurasi 38,148%. Untuk IPK 2



deteksi outlier, multiclass one against all, kernel linear, dan 5 fold



189

outlier, multiclass one against all, kernel linear, dan 7 fold


h. Hasil akurasi tertinggi dari dataset program studi Pendidikan Fisika


kernel linear, dan 5 fold menghasilkan akurasi 47,333%. Untuk IPK 2

dengan dikenai deteksi outlier, multiclass one against one, kernel rbf


deteksi outlier, multiclass one against all, kernel rbf, dan 9 fold


outlier, multiclass one against one dan one against all, kernel rbf, dan 9

fold menghasilkan akurasi 80%.

i. Hasil akurasi tertinggi dari dataset program studi Pendidikan Guru

Sekolah Dasar adalah untuk IPK 1 dengan deteksi outlier, multiclass one

against one dan one against all, kernel linear dan rbf, dan 3 fold, 5 fold



linear, rbf, dan polynomial dan 9 fold menghasilkan akurasi 77,154%.


dan one against all, kernel rbf, dan 5 fold menghasilkan akurasi


against one dan one against all, kernel rbf, dan 7 fold menghasilkan

akurasi 72,381%.

j. Hasil akurasi tertinggi dari dataset program studi Pendidikan

Matematika adalah untuk IPK 1 dengan deteksi outlier, multiclass one

against one, kernel linear, dan 5 fold menghasilkan akurasi 68,333%.


dan one against all, kernel linear dan 5 fold menghasilkan akurasi 75%.


dan one against one, kernel rbf, dan 5 fold menghasilkan akurasi 70%.

Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one against all,

kernel rbf, dan 9 fold menghasilkan akurasi 65,079%.


190

k. Hasil akurasi tertinggi dari dataset program studi Pendidikan Sejarah


kernel rbf, dan 3 fold menghasilkan akurasi 54,902%. Untuk IPK 2



deteksi outlier, multiclass one against all, kernel rbf, dan 3 fold

menghasilkan akurasi 56,427 %. Untuk IPK 4 dengan dikenai deteksi

outlier, multiclass one against one, kernel linear, dan 9 fold


l. Hasil akurasi tertinggi dari dataset gabungan program studi Fakultas

Keguruan dan Ilmu Pendidikan adalah untuk IPK 1 dengan deteksi

outlier, multiclass one against one, kernel linear, dan 5 fold


outlier, multiclass one against one dan one against all, kernel linear dan

polynomial, dan 5 fold menghasilkan akurasi 61,479%. Untuk IPK 3

dengan dikenai deteksi outlier, multiclass one against one, kernel rbf,



linear, dan 3 fold menghasilkan akurasi 63,18%.

Berikut ini merupakan rata-rata akurasi terbaik setiap program studi:

a. Bimbingan dan Konseling : 67,497%

b. Ilmu Pendidikan dan Agama Katolik : 68,957%

c. Pendidikan Akutansi : 60,867%

d. Pendidikan Bahasa Inggris : 72,974%

e. Pendidikan Biologi : 70,058%

f. Pendidikan Bahasa dan Sastra Indonesia : 61,892%

g. Pendidikan Ekonomi : 52,058%

h. Pendidikan Fisika : 70,155%

i. Pendidikan Guru Sekolah Dasar : 74,289%

j. Pendidikan Matematika : 69,603%

k. Pendidikan Sejarah : 56,079%

l. Fakultas Keguruan dan Ilmu Pendidikan : 60,783%


191

BAB V

PENUTUP

5.1 Kesimpulan

Hasil penelitian menggunakan metode Support Vector Machine

untuk klasifikasi prestasi akademik mahasiswa berdasarkan tes potensi

akademik menghasilkan kesimpulan sebagai berikut:

1. Algoritma Support Vector Machine dapat diimplementasikan untuk

klasifikasi prestasi akademik mahasiswa berdasarkan hasil tes potensi

akademik.

2. Akurasi klasifikasi terbaik yang dihasilkan oleh metode Support Vector

Machine terhadap 12 dataset adalah 80% untuk data program studi

Pendidikan Fisika pada IPK 4 dengan dikenai deteksi outlier, multiclass

one against one dan one against all, kernel rbf, dan 9 fold cross

validation.

3. Rata-rata akurasi terbaik dataset seluruh prodi di Fakultas Keguruan dan

Ilmu Pendidikan adalah sebesar 60,783%. Hal ini berarti bahwa dari

dataset mahasiswa FKIP tersebut sebesar 60,783% yang dapat

diklasifikasikan dengan tepat prestasi akademiknya menggunakan

algoritma SVM.

5.2 Saran

Berikut ini adalah saran untuk pengembangan penelitian yang akan

datang, yaitu:

1. Untuk meningkatkan akurasi, dapat dilakukan penelitian lebih lanjut

dengan:

a. Menerapkan metode lain selain Support Vector Machine.

b. Melakukan data cleaning dengan metode outlier detection lainnya.

2. Menambahkan variabel untuk meningkatkan akurasi.


192

DAFTAR PUSTAKA

Farida, Intan Nur & Ratih Kumalasari N., (2017), Penggunaan Algoritma Naïve

Bayes Untuk Mengevaluasi Prestasi Akademik Mahasiswa Universitas

Nusantara PGRI Kediri. Kediri: Universitas Nusantara PGRI Kediri, Jurnal

Sains dan Informatika Volume 3, Nomor 2, November 2017, e-ISSN: 2598-

5841.

Han, J., Kamber, M. & Pei, J., (2012), Data Mining : Concepts and Techniques.

Waltham: Morgan Kaufmann Publishers.

Hasibuan, Chainur A. et.al., (2017), Klasifikasi Diagnosa Penyakit Demam

Berdarah Dengue (DBD) Menggunakan Support Vector Machine (SVM)

Berbasis GUI Matlab. Jurnal Gaussian, Volume 6, Nomor 2, Tahun 2017,

Halaman 171-180, ISSN: 2339-2541.

Kurniawan, Vincentius B., (2019), Prediksi Prestasi Akademik Mahasiswa

Berdasarkan Hasil Tes Potensi Akademik dengan Algoritma K-Nearest

Neighbor, Yogyakarta: Universitas Sanata Dharma

Kurniawaty, D. et.al., (2018), Klasifikasi Gangguan Jiwa Skizofrenia

Menggunakan Algoritme Support Vector Machine (SVM). Universitas

Brawijaya, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Vol.2, No.5, Mei 2018, halaman 1866-1873, e-ISSN : 2548-964X.

Lewinson, Eryk, (2018), Outlier Detection with Isolation Forest. di

https://towardsdatascience.com/outlier-detection-with-isolation-forest-

3d190448d45e (diakses pada Juli)

Mandias, Green F., (2015), Penerapan Data Mining Untuk Evaluasi Kinerja

Akademik Mahasiswa Di Universitas Klabat Dengan Metode Klasifikasi.

Universitas Klabat.

Nugroho, A. S., Witarto, A. B. & Handoko, D., (2003), Support Vector Machine –

Teori dan Aplikasinya dalam Bioinformatika, s.1: IlmuKomputer.Com


https://towardsdatascience.com/outlier-detection-with-isolation-forest-3d190448d45e

https://towardsdatascience.com/outlier-detection-with-isolation-forest-3d190448d45e

193

Ocataviani, Pusphita A. et.al., (2014), Penerapan Metode Klasifikasi Support

Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di

Kabupaten Magelang. Jurnal Gaussian, Volume 3, Nomor 4, Tahun 2014,

Halaman 811-820, ISSN: 2339-2541.

Santosa, B., n.d. Tutorial Support Vector Machines, Surabaya: Kampus ITS.

Suyanto, (2019), Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung:

penerbit INFORMATIKA.

Wicaksono, J. W., (2017), IDENTIFIKASI MAKNA KATA “SABAR” DALAM

KARYA SASTRA MENGGUNAKAN SUPPORT VECTOR MACHINE

(SVM) KERNEL POLINOMIAL, Yogyakarta: Universitas Sanata Dharma.

Zaki, M. J. & Jr., W. M., (2013), Data Mining and Analysis: Fudamental Concepts

and Algorithms. New York: Cambridge University Press.


Documents

KLASIFIKASI PRESTASI AKADEMIK MAHASISWA BERDASARKAN …