p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Teknika
Dicka Y Kardono
Program Magister Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Prediksi Kecocokan Jurusan Siswa SMK Dengan Support Vector Machine dan Random Forest Dicka Y Kardono; Yuliana Melita Pranoto; Endang Setyati
Teknika Vol 12 No 1 (2023): Maret 2023
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v12i1.567

Abstract

SMK Antartika 1 Sidoarjo setiap tahunnya melakukan penerimaan siswa baru. Siswa SMP yang mendaftakan diri ke SMK Antartika 1 Sidoarjo rata-rata belum cukup mengetahui tentang minatnya pada jurusan yang ada di sekolah. Adapun jurusan yang ada di SMK Antartika 1 Sidoarjo adalah Teknik Pemesinan, Teknik Kendaraan Ringan, dan Rekayasa Perangkat Lunak. Dari permasalahan di atas, maka diperlukan sebuah sistem untuk memprediksi tentang pemilihan kecocokan jurusan pada siswa baru SMK Antartika 1 Sidoarjo. Dengan adanya sistem tersebut dapat membantu meningkatkan pelayanan terhadap siswa baru dalam memutuskan pemilihan jurusan yang terdiri dari 4 tingkatan, yaitu: sangat cocok, cocok, kurang cocok, dan sangat kurang cocok dengan siswa. Untuk mengetahui pola prediksi dari data siswa tersebut, menggunakan penerapan perbandingan menggunakan metode Support Vector Machine (SVM) dan Random Forest (RF). Fitur atribut yang digunakan ada 14 fitur yang terdiri dari: Jurusan, Pendidikan_Ayah, Penghasilan_Ayah, Pendidikan_Ibu, Penghasilan_Ibu, Transportasi_ke_Sekolah, NUS_MTK_SMP, NUS_BIND_SMP, NUS_BING_SMP, Disiplin, Tanggung_Jawab, Sikap, Komunikasi, dan Output_Kelas. Riset ini menggunakan dataset siswa SMK Antartika 1 Sidoarjo mulai tahun 2020 sampai 2022 dengan total 578 record data siswa. Berdasarkan hasil analisis dengan metode SVM dengan kernel sigmoid diperoleh tingkat akurasi sebesar 83%, sedangkan hasil analisa dengan dengan metode RF dengan jumlah tree 150 diperoleh tingkat akurasi sebesar 82%.