PROPOSAL PENELITIAN

KLASIFIKASI LAMA STUDI MAHASISWA

MENGGUNAKAN METODE SUPPORT VEKTOR MECHINE
(Studi kasus Universitas Maritim Raja Ali Haji)

Disusun oleh :

ANDI FAIZAL
110155201069

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS MARITIM RAJA ALI HAJI
2016
 HALAMAN PERSETUJUAN

Proposal Penelitian

Judul :Klasifikasi Lama Studi Mahasiswa Menggunakan Metode

Support Vektor Mechine ( studi kasus Universitas Maritim
Raja Ali Haji)
Nama : Andi Faizal
NIM : 110155201069
Program Studi : Teknik Informatika

Disetujui oleh

Pembimbing 1 Pembimbing 2

Martaleli Bettiza, S.Si., M.Sc Alena Uperiati, ST ,M.Cs

NIDN. 1028087501

Mengetahui,
Ketua Jurusan Teknik Informatika

Nerfita Nikentari, ST ,M.Cs

NIP. 19840402 201404 1 001

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS MARITIM RAJA ALI HAJI
2016
A. Latar Belakang
Salah satu faktor yang mempengaruhi kualitas sebuah perguruan tinggi
adalah kinerja mahasiswa. Menurut Kamus Besar Bahasa Indonesia, arti kinerja
adalah sesuatu yang dicapai, kemampuan kerja, dan prestasi yang diperlihatkan.
Selain itu kinerja juga merupakan hasil kerja secara kualitas dan kuantitas yang
dicapai oleh seseorang dalam melaksanakan tugasnya sesuai dengan tanggung
jawabnya Mangkunegara, (2000). Berdasarkan pengertian tersebut dapat ditarik
kesimpulan bahwa kinerja mahasiswa merupakan hasil kerja mahasiswa yang
dapat dinilai secara kualitas dan kuantitas dalam melaksanakan tugasnya sesuai
dengan tanggung jawab yang diberikan oleh perguruan tinggi dimana mahasiswa
tersebut menempuh studinya. Salah satu kriteria untuk mengukur kinerja
mahasiswa adalah lamanya masa studi. Masa studi merupakan lama studi
terjadwal yang harus ditempuh oleh mahasiswa sesuai dengan rentang waktu yang
dipersyaratkan. Semakin cepat masa studi mahasiswa maka kinerja mahasiswa
semakin baik, begitu juga sebaliknya.
Berdasarkan ketetapan Kementerian Pendidikan dan Kebudayaan
Direktorat Jenderal Pendidikan Tinggi tentang Sistem Pendidikan Tinggi
disebutkan bahwa untuk memenuhi standar kompetensi lulusan bagi mahasiswa
program sarjana (S1) beban wajib yang harus ditempuh adalah paling sedikit 144-
160 satuan kredit semester (sks) dengan masa studi selama 8-12 semester atau 4-6
tahun .
Namun faktanya tidak sedikit mahasiwa yang menempuh masa studi
melebihi standar kelulusan yang telah ditetapkan. Universitas Maritim Raja Ali
Haji (UMRAH) adalah salah satu Universitas Negeri yang terletak di ibu kota
Provinsi Kepulauan Riau yang memiliki 5 (lima) Fakultas. Yaitu Fakultas Teknik
terdiri dari dua jurusan, Fakultas Ekonomi terdiri dari dua jurusan, Fakultas Ilmu
Kelautan dan Perikanan terdiri 5 jurusan, Fakultas Keguruan dan Ilmu Pendidikan
terdiri dari lima jurusan dan Fakultas Ilmu Sosial dan Ilmu Politik terdiri dari lima
jurusan. Fakultas Teknik salah satu dari 5 (lima) Fakultas yang ada di UMRAH.
yang memiliki 2 (dua) program studi yaitu program studi Teknik Informatika dan
Program studi Teknik Elektro. Setiap tahun UMRAH melakukan wisuda namun
jumlah lulusan dan mahasiswa baru tidak sebanding sehingga jumlah lulusan
yang dapat dihasikan per-periode tidak sebanding dengan yang apa yang
ditargetkan. Sehingga hal ini menunjukan bahwa masih banyak mahasiswa
Program Sarjana (S1) fakultas teknik yang menempuh lama studi dari 8 semester
dari yang dijadwalkan 8 semester.
Lama studi mahasiswa kemungkinan dapat dipengaruhi oleh banyak
faktor. Faktor-faktor yang kemungkinan mempengaruhi dalam hal kelulusan
antara lain Indeks Prestasi Kelulusan (IPK), jenis kelamin, jurusan, lama studi
yang ditempuh, beasiswa, kerja, aktif diorganisasi, dan jalur masuk universitas.
Misalnya pada pendaftaran sidang yang sudah dijadwalkan, apabila mahasiswa
tersebut terlambat sehari melakukan pendaftaran sidang dari batas yang ditentukan
maka harus menunggu untuk sidang pada periode selanjutnya, dimana itu akan
mempengaruhi lama studi mahasiswa tersebut.
Oleh karena itu, peneliti ingin meneliti faktor-faktor yang mempengaruhi
lama studi mahasiswa serta ingin mengklasifikasikan kelulusan mahasiswa ke
dalam dua kategori yaitu lulus tepat waktu untuk mahasiswa yang menempuh
pendidikan S1 kurang dari sama dengan 4 tahun (8 semester) dan lulus tidak tepat
waktu untuk mahasiswa yang menempuh pendidikan lebih dari 4 tahun.
Support Vector Machine (SVM) adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang
fitur (feature space) berdimensi tinggi,dilatih dengan algoritma pembelajaran yang
didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang
berasal dari teori pembelajaran statistik (Christianini,2000).
Teori yang mendasari SVM sendiri sudah berkembang sejak 1960-an,
tetapi baru iperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992 dan
sejak itu SVM berkembang dengan pesat. SVM adalah salah satu teknik yang
relatif baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang
lebih baik di berbagai bidang aplikasi seperti bioinformatics, pengenalan tulisan
tangan, klasifikasi teks dan lain sebagainya (Christianini,2001).
Berdasarkan latar belakang maka penulis tertarik untuk melakukan
penelitian tentang “ Klasifikasi Lama Studi Mahasiswa Universitas Maritim
Raja Ali Haji Dengan Menggunakan Metode Support Vektor Mechine
(SVM)”.
B. Rumusan Masalah
dari latar belakang diatas maka dapat dirumuskan suatu permasalahan
yaitu :
1. Bagaimana melakukan klasifikasi lama studi dalam menentukan lulus
tepat waktu untuk mahasiswa yang menempuh pendidikan S1 kurang
dari sama dengan 4 tahun dengan menggunakan metode support vektor
mechine ?”
2. Bagaimana melakukan klasifikasi lama studi dalam menentukan lulus
tidak tepat waktu untuk mahasiswa yang menempuh pendidikan S1
lebih dari 4 tahun dengan metode support vektor mechine ?”
3. Faktor apa saja yang sangat berpengaruh terhadap klasifikasi lama
studi dalam menentukan lulus tepat waktu, baik lama studi kurang
sama dengan 4 tahun dan lebih dari 4 tahun dengan metode support
vektor mechine ?

C. Batasan masalah

Untuk menghindari meluasnya permasalahan yang ada, serta keterbatasan

ilmu dan kemampuan yang dimiliki penulis, maka penulis memberikan batasan
masalah:
1. Pada penelitian ini terdapat 7 variabel yang digunakan yang terdiri
atas jenis kelamin,jurusan,IPK,beasiswa,kerja,aktif diorganisasi,jalur
masuk universitas.
2. Pada penelitian ini data dikelompakkan dalam dua kelas yaitu kelas
kurang dari sama dengan 4 tahun dan kelas lebih dari 4 tahun.
3. Pada penelitian ini klasifikasi terhadap variabel yang mempengaruhi
lama studi sehingga mendapat informasi lulus tepat waktu dan lulus
tidak tepat waktu.
C. Tujuan Penelitian

Penelitian ini bertujuan untuk membangkitkan informasi dari data

akademik kemahasiswaan antara lain :
1. Mengukur ketepatan hasil klasifikasi Metode support vektor mechine
berdasarkan beberapa fungsi karnel .
2. Mengidentifikasi profil mahasiswa yang lulus tepat waktu
3. Mengindentifikasi profil mahasiswa yang lulus tidak tepat waktu

E. Manfaat Penelitian

Manfaat yang dapat diperoleh melalui hasil penelitian ini yakni

diharapakan dapat menghasilkan informasi akademik dari proses klasifikasi lama
studi mahasiswa yaitu informasi penting bagi mahasiswa dan pihak kampus
sehingga bisa dijadikan sebagai sebuah peringatan dini, bagi mahasiswa yang
memiliki potensi tingkat kelulusan tidak tepat waktu dan bisa dipersiapkan
langkah-langkah dalam mengatasinya baik bagi mahasiswa maupun kampus.

F. Kajian Literatur
1. Kajian Terdahulu
Sri dkk. (2015) dengan judul Klasifikasi Lama Studi Mahasiswa Fsm
Universitas Diponegoro Menggunakan Regresi Logistik Biner Dan Support Vector
Machine (Svm). Metode yang digunakan untuk klasifikasi lama studi mahasiswa
dengan jenis data nominal adalah dengan menggunakan Metode Support Vector
Machine (SVM) dan dibandingkan dengan metode Regresi Logistik Biner.
Adapaun hasil penelitian dengan metode Support Vector Machine (SVM) dengan
data testing yaitu 40 data, klasifikasi terbaik dengan menggunakan fungsi kernel
Linier dengan akurasinya adalah 67.5%. Data testing yaitu 20 data, klasifikasi
terbaik dengan menggunakan fungsi kernel RBF dengan akurasi yaitu 90%.
Sedangkan pada data testing yaitu 10 data, klasifikasi terbaik dengan
menggunakan fungsi kernel Linier atau Polynomial dengan akurasi 90%.
Sedangkan penelitian dengan metode regresi logistik biner menunjukkan hasil
ketepatan klasifikasi dengan menggunakan rumus fungsi peluang regresi logistik
biner bahwa secara keseluruhan hasil dari prediksi dengan menggunakan data
training sebanyak 180 dan data testing sebanyak 20 menghasilkan ketepatan
klasifikasi sebesar 70%. jadi dapat disimpulkan hasil penelitian dengan metode
regresi logistik biner, menunjukkan variabel yang berpengaruh terhadap lama
studi mahasiswa adalah Jurusan dan IPK dengan ketepatan klasifikasi 70%.
Sedangkan ketepatan klasifikasi dengan menggunakan Support Vector Machine
(SVM) ketepatan klasifikasi tertinggi dengan menggunakan kernel linear,
Polynomial dan RBF mencapai 90%.
Pusphita dkk. (2014) dengan judul penerapan metode klasifikasi Support
Vector Machine pada data akreditasi Sekolah Dasar (SD) di Kabupaten Magelang.
Adapaun hasil dari klasifikasi Akreditasi Sekolah Dasar (SD) di Kabupaten
Magelang menggunakan metode Support Vector Machine (SVM) dengan data
training yang diujikan sebanyak 337 data memiliki akurasi klasifikasi sebesar
100% menggunakan fungsi kernel Gaussian Radial Basic Function (RBF).
Sedangkan menggunakan fungsi kernel Polynomial akurasi klasifikasi adalah
sebesar 98.810 %. Sedangkan Pada pengujian dengan data testing sebanyak 82
data, akurasi klasifikasi yang didapat yaitu sebesar 93.902% . menggunakan
kernel Gaussian Radial Basic Function (RBF). Sedangkan menggunakan fungsi
kernel Polynomial akurasi klasifikasinya adalah sebesar 92.683 % . jadi dapat
disimpulkan akurasi klasifikasi terbaik yaitu menggunakan fungsi kernel
Gaussian Radial Basic Function (RBF) karena menghasilkan akurasi yang lebih
besar, yaitu dapat mengklasifikasikan 337 SD dari 337 SD secara benar sesuai
dengan kelas asli pada data training. Sedangkan pada data testing dapat
mengklasifikasikan 77 SD dari 82 SD secara benar sesuai dengan kelas asli.[6]
Endang dan Dana (2015) dengan judul Optimasi algoritma support vector
machine dengan particle swarm optimization dalam mendeteksi ketepatan waktu
kelulusan mahasiswa.Pada penelitian ini dilakukan eksperimen dengan
menggunakan metode support vector machine dan algoritma particle swarm
optimization yang digunakan untuk melakukan optimasi parameter C, populasi
dan ε. Data training yang digunakan data yang dibatasi dengan waktu dan tanpa
waktu atau data single year dan multi years. Hasil eksperimen menujukkan bahwa
data training single year memiliki akurasi yang lebih tinggi dibandingkan dengan
data multi years yaitu sebesar 80.34 % dan AUC = 0.641 dengan waktu eksekusi
lebih cepat selama 00:01:14 sedangkan data multi years memiliki akurasi dan
AUC adalah sebesar 77.30 % dan AUC = 0.580 serta memiliki waktu eksekusi
selama 00:13:43. Hasil eksperimen tersebut menunjukan pengujian dataset single
year menggunakan penerapan algoritma particle warm optimization pada support
vector machine menunjukan hasil yang lebih akurat untuk deteksi ketepatan
kelulusan mahasiswa dan merekomendasikan pengklasifikasian berdasarkan
pertahun ajaran.

Siti dan Emha (2015) dengan judul Prediksi mahasiswa drop out
menggunakan metode support vector machine. Berdasarkan hasil pengujian data
mahasiswa program studi kesehatan masyarakat parameter terbaik algoritma
Support Vector Machine dengan nilai k-fold =10, tipe kernel polynomial,
diperoleh nilai error rate = 0.094, nilai cost (C) =0.1, degree (P) =5, dan gamma
)= 0.1 dan tipe kernel RBF diperoleh nilai error rate = 0,047, nilai cost (C) =0.2,
degree (P) =5, dan gamma ) =0.001. Untuk data program studi gizi dengan nilai k-
fold =10, tipe kernel polynomial, diperoleh nilai error rate =0.084, nilai cost (C)
=0.1, degree (P) =3, dan gamma ) =0.001 dan tipe kernel RBF diperoleh nilai
error rate =0.017, nilai cost (C) =0.2, degree (P) =7, dan gamma ) = 0.001.[8]

Neneng, dkk. (2016) pada jurnalnya yang berjudul “Support Vector

Machine Untuk Klasifikasi Citra Jenis Daging Bedasarkan Ektraksi Tekstur
Menggunakan Gray Level Co-Occurrence Matrices (GLCM)” pada jurnal ini
menjelaskan penggunakan GLCM yang menggunakan empat arah yakni 0°, 45°,
90°, dan 135° dalam melakukan ektraksi tekstur daging kambing, daging kerbau,
daging kuda, dan daging sapi dengan jarak pengambilan gambar 20 cm, 30 cm,
dan 40 cm. Dari penelitian ini menghasilkan tingkat pengenalan terbaik yakni
87,5% berada pada jarak pengambilan 20 cm dengan jarak piksel tetangga d=2
pada arah GLCM 135°.

Dewi dkk (2011) dengan judul Indonesian News Classification using

Support Vector Machine. Dalam penelitian ini data uji yang digunakan diambil
dari www.kompas.com yang telah diubah ke dalam format file flat (txt). Data
terdiri dari 180 dokumen berita yang akan dibagi menjadi 2 bagian. 70% untuk
data training dan 30% untuk data testing dengan pengaturan parameter sebagai
berikut: C = 60, 70, 80 ... 150; b. SVM Gamma = 1, 1,5, 2. pengaturan parameter
ini memiliki dampak yang besar dalam hasil SVM karena menentukan nilai kernel
dan kesalahan SVM. Pengujian dilakukan selama tiga pengujian blok dengan
pengaturan parameter yang berbeda. Hasil pengujian dengan parameter C = 60-
150, dan SVM gamma = 1, hasil tes dengan parameter C = 60-150, dan SVM
gamma = 1,5, dan hasil tes dengan parameter C = 60- 150, dan SVM gamma = 2 .
jadi dapat disumpulakan klasifikasi berita dengan SVM menghasilkan tingkat
akurasi rata-rata yang lebih baik dari 85%. Nilai-nilai parameter C dan gamma
SVM memiliki efek yang kuat pada keakuratan dicapai. Dengan meningkatnya
nilai C tingkat akurasi meningkat, sedangkan kecil nilai SVM gamma, semakin
meningkatkan tingkat akurasi. Nilai parameter terbaik yang menghasilkan
tertinggi tingkat akurasi rata adalah C = 110, dan gamma SVM = 1
2. Landasan Teori
a. Support Vector Machine
Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, dan
Vapnik. Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on
Computational Learning Theory. Prisip dasar SVM adalah pengklasifikasi linear
(linear classifier), dan selanjutnya dikembangkan agar dapat bekerja pada
masalah non-linear, dengan memasukkan kernel trick pada ruang kerja berdimensi
tinggi (Nugroho,2007).
Algoritma SVM digambarkan secara umum pada Gambar 2.1 di bawah
ini. (sumber: http://www.dtreg.com/svm.htm)

b. Klasifikasi Linear
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas pada input
space. Dua kelas, +1 dan -1, beserta masing-masing pattern digambarkan dengan
simbol kotak warna merah untuk pattern -1 dan simbol lingkaran warna biru untuk
pattern +1 pada Gambar 2.2 di bawah ini.
 Hyperplane pemisah terbaik antara kedua kelas dapat ditemukan dengan
mengukur margin hyperplane tersebut dan mencari titik maksimalnya. Margin
adalah jarak antara hyperplane terdekat dengan pattern terdekat dari masing-
masing kelas. Pattern yang paling dekat dengan hyperplane disebut support
vector. Hyperplane terbaik pada Gambar 2.3 digambarkan sebagai garis tidak
putus-putus yang terletak tepat di tengah-tengah kedua kelas. Sedangkan support
vector tampak sebagai pattern yang berpotongan dengan garis putus-putus.

Gambar 2.3

Dataset dinotasikan sebagai xi   D ,i = 1,2,..., N . N adalah banyaknya

data, dan kelas positif dan negatif dinotasikan sebagai +1 dan -1. Dengan
demikian notasi tiap pattern dan kelasnya adalah yi  +1,1. Diasumsikan
bahwa kedua kelas tersebut dapat dipisahkan secara sempurna oleh hyperplane di
D-dimensional feature space. Feature space merupakan kumpulan dataset yang
telah dipilih dan ditransformasi untuk mendefinisikan hyperplane. Hyperplane
didefinisikan sebagai berikut :
w.xi + b = 0 . . . (2.1)

Data x i yang tergolong kelas negatif adalah mereka yang memenuhi

pertidaksamaan berikut :
w . x i +b≤ − 1 . . . (2.2)
 Adapun data x i yang tergolong kelas positif adalah mereka yang
memenuhi pertidaksamaan :
w . x i +b≥ 1 . . . (2.3)

Margin optimal dihitung dengan memaksimalkan jarak antara hyperplane

dengan pattern terdekat. Jarak ini dirumuskan sebagai
1
∥w∥ . . . (2.4)

dengan ∥w∥ adalah norm dari weight vector w. Selanjutnya masalah ini
diformulasikan ke dalam quadratic programming problem dengan meminimalkan
∥w∥ dan mengaplikasikan constraint

y i w. x i +b − 1≥ 0, ∀ i . . . (2.5)

pada fungsi minimalisasi tersebut.

Optimisasi fungsi meminimalkan ∥w∥ dapat dilakukan dengan
menggunakan Multiplier Lagrange seperti berikut :
1
L w,b,α = ∥w∥2− ∑ α i y i w . xi +b− 1 . . . (2.6)
2
αi adalah Multiplier Lagrange yang berkorespondensi dengan x i . Nilai α i
adalah nol atau positif. Untuk menyelesaikan masalah tersebut, pertama
meminimalkan L terhadap w dan memaksimalkan L terhadap α i . Dengan
memodifikasi persamaan (2.6), masalah maksimalisasi di atas dapat
direpresentasikan dalam α i sebagai berikut :

∑ αi − 12 ∑ α i α j y i y j x i x j . . . (2.7)

dengan menerapkan constraint α i≥ 0, ∑ αi y i pada persamaan (2.7).

Solusi masalah ini akan menghasilkan banyak α i dengan nilai nol. Data yang
berkorespondensi dengan α i yang tidak nol, merupakan support vector, yaitu data
yang memiliki jarak terdekat dengan hyperplane.
c. Soft Margin

Bahasan sebelumnya adalah jika masalah yang dihadapi dapat diselesaikan

secara linear (linearly separable) atau dapat dipisahkan secara sempurna oleh
hyperplane. Namun, pada umumnya masalah yang sering dihadapi adalah non-
linear separable, salah satunya dikarenakan noise. Sehingga kedua kelas tersebut
tidak dapat dipisahkan oleh hyperplane secara sempurna dan proses optimasi
fungsi minimalisasi tidak dapat diselesaikan, karena tidak ada w dan b yang
memenuhi pertidaksamaan (2.5).

Untuk itu, pertidaksamaan (2.5) dimodifikasi dengan memasukkan

slack variable ξ i ξ i ≥ 0 , menjadi

yi w.xi + b  1  ξi ,i untuk kelas positif . . . (2.8)

yi w.xi + b  1+ ξi ,i untuk kelas negatif . . . (2.9)

2
Demikian juga dengan w , sehingga diperoleh

1 2
w + C  ξ i . . . (2.10)
2

Parameter C bertugas mengendalikan trade off antara margin dan

kesalahan klasifikasi. Semakin besar nilai C, semakin besar nilai penalty yang
dikenakan untuk setiap kesalahan klasifikasi. Penambahan slack variable ξ i ini
disebut dengan Kernel Trick yang akan dibahas pada subbab 2.2.3 paragraf kedua.

d. Klasifikasi Non-Linear

Pada konsep dasarnya, SVM merupakan salah satu varian pembelajaran

mesin linear atau pengklasifikasi linear yang digunakan untuk menyelesaikan
masalah yang sifatnya linearly separable. Untuk dapat digunakan pada kasus non-
linearly separable, data yang berada di ruang vector awal xi   D  berdimensi
D, harus dipindahkan ke ruang vector baru yang berdimensi lebih tinggi
x'   .
i
Q
Misalnya saja fungsi pemetaan tersebut dinotasikan sebagai Φx  .
Pemetaan ini bertujuan untuk merepresentasikan data ke format yang linearly
separable pada ruang vector baru. Ilustrasi proses digambarkan pada Gambar 2.4.
 Gambar 2.4

Selanjutnya dilakukan proses pelatihan sebagaimana pada klasifikasi linear.

Proses optimisasi pada fase ini diperlukan perhitungan dot product dua buah
contoh pada ruang vector baru. Dot product kedua buah vector  xi  dan x j 
dinotasikan sebagai Φ  xi .Φ x j . Nilai dot product kedua vector ini dapat dihitung

secara tidak langsung, yaitu tanpa mengetahui proses transformasi Φ . Teknik

komputasi ini disebut Kernel Trick, yaitu menghitung dot product dua vector di
ruang vector baru dengan memakai komponen kedua vector tersebut di ruang
vector asal.

K xi , x j = Φxi .Φ x j  . . . (2.11)

Fungsi-fungsi kernel yang umum digunakan adalah sebagai berikut:

Nama Kernel Fungsi

Polynomial K xi , x j = xi  x j +1

p

Gausian (RBF)   x x 2

  i 
K xi , x j = exp   
j

  2σ
2  
  

Sigmoid K xi , x j = tanh αxi  x j + β 

Tabel 2.1
G. Metode Penelitian
1. Fokus Penelitian
Fokus penelitian ini adalah membangun system yang mampu melakukan
mengklasifikasikan kelulusan mahasiswa ke dalam dua kategori yaitu lulus tepat
waktu untuk mahasiswa yang menempuh pendidikan S1 kurang dari sama dengan
4 tahun (8 semester) dan lulus tidak tepat waktu untuk mahasiswa yang
menempuh pendidikan lebih dari 4 tahun.
2. Model Penelitian
a. Analisis Kebutuhan
Pada tahap ini, penulis mencari dan mempelajari referensi berupa textbook,
artikel ilmiah maupun jurnal yang berkaitan dengan penelitian. Topik yang akan
dibahas antara lain : metode klasifikasi support vector machine (SVM).
b. Desain Sistem
Pada tahapan ini, peneliti melakukan perancangan sistem dengan
menggunakan perangkat pemodelan sistem seperti ERD (Entity Relationship
Diagram), tabel relasional, flowchart, diagram dekomposisi, DFD (Data Flow
Diagram), diagram konteks dan design GUI (Graphics User Interface).
c. Pengkodingan

Pada tahapan ini, peneliti melakukan penulisan kode program atau coding
yang merupakan penerjemahan dari desain perancangan sistem ke dalam bahasa
yang bisa dikenali oleh komputer. Dalam penelitian ini, peneliti menggunakan
bahasa pemrograman java.

d. Pengujian Sistem
Pada tahapan ini, sistem yang sudah siap akan mengalami pengujian,
apakah sudah baik atau masih dibutuhkan perbaikan.
3. Teknik Pengumpulan Data

Teknik pengumpulan data yang digunakan dalam penelitian ini adalah

dengan teknik pengumpulan data secara langsung kelapangan.

4. Jenis Kebutuhan Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder dan
data primer.Data sekunder adalah data yang diperoleh atau dikumpulkan peneliti
dari berbagai sumber yang telah ada. salah satunya dapat diperoleh dari database
kampus dan buku wisuda. Adapaun data yang diperoleh dari database dan buku
tersebut adalah Nama, No HP, lama studi mahasiswa, jenis kelamin, IPK, dan
Jurusan. Sedangkan data primer adalah data yang diperoleh atau dikumpulkan
oleh peneliti secara langsung dari sumber datanya. Teknik yang digunakan
peneliti untuk mengumpulkan data primer antara lain wawancara secara langsung
dan melalui media elektronik (SMS dan By-Phone) atau media sosial (Watshapp
dan Facebook).

H. Alat Bantu Penelitian

1. Perangkat Keras (Hardware)
a. Handphone ASUS Zenfone 5 dengan kamera 13 Mp
b. Laptop ASUS, dengan spesifikasi :
c. Intel Corei5 2,7 GHz
d. RAM 4,00 GB
e. HDD 1 TB
2. Perangkat Lunak (Software)
a. Netbeans
b. Notepad
c. Microsoft Office 2010
d. XAMPP
I. Kerangka Pikir Penelitian

Kerangka pikir dalam penelitian ini terdiri dari beberapa tahap yang telah tersusun
secara sistematis, tahap-tahapannya dapat di lihat pada Gambar 6.

Mulai

Studi Literatur

Identifikasi Masalah

Analisis Kebutuhan Data

Fokus Kerja

Perancangan Aplikasi

Pengujian

Tidak

Validasi Pengujian

Kesimpulan

Selesai

Gambar 6. Kerangka Pikir

J. Jadwal Penelitian
Untuk jadwal penelitian secara terperinci dapat dilihat pada Tabel 1.

Tabel 1. Jadwal Penelitian

Bulan Pengerjaan
No Jenis Kegiatan

Okt Nov Des Jan Feb

Analisa Masalah (Studi
1.
Literatur)
2. Penyusunan Proposal

3. Pengerjaan Skripsi
4. Sidang Skripsi

K. Penutup

Demikianlah proposal penelitian tugas akhir ini dibuat. Semoga maksud dan
tujuan dari proposal ini bisa tersampaikan dengan baik. Besar harapan penulis
agar proposal penelitian ini diterima untuk dilanjutkan ketahap selanjutnya.
Terlebih dan terkurang penulis memohon maaf dan penulis mengucapkan
terimakasih.
 DAFTAR PUSTAKA

A.A Anwar Prabu Mangkunegara, 2000, Manajemen Sumber Daya Manusia

Perusahaan, Bandung: Remaja Rosda Karya.
Christianini, Nello dan John S. Taylor. An Introduction to Support Vector
Machines and Other Kernel-based Learning Methods. Cambridge
University Press, 2000
Christianini, Nello. Support Vector and Kernel Machines. ICML tutorial, 2001.
Dewi, Y., Liliana, Agung Hardianto, M. Ridok , 2011 dengan judul Indonesian
News Classification using Support Vector Machine, International
Scholarly and Scientific Research & Innovation (5),(9)

Endang, S., Dana, I.,2015, dengan judul Optimasi algoritma support vector
machine dengan particle swarm optimization dalam mendeteksi
ketepatan waktu kelulusan mahasiswa, Seminar Nasional Inovasi dan
Tren (SNIT) 2015.
Neneng., Adi, I., Isnanto R.R., 2016, Support Vector Machine Untuk Klasifikasi
Citra Jenis Daging Bedasarkan Tekstur Menggunakan Ekstraksi Ciri
Gray Level Co-Occurrence Matrices (GLCM), Jurnal Sistem Informasi
Bisnis 01.
Nugroho, Anto Satriyo, 2007. Pengantar Support Vector Machine. Tanggal dibuat
8 Februari 2007.
Menteri Pendidikan dan Kebudayaan Republik Indonesia. 2014. Peraturan
Menteri Pendidikan dan Kebudayaan Republik Indonesia Nomor 49
Tahun 2014 tentang Standar Nasional Pendidikan Tinggi.
Jakarta, Indonesia: Kementerian Pendidikan dan Kebudayaan
Republik Indonesia
Pusphita, A.,O.,Yuciana, W., Dwi I.,2014 , dengan judul penerapan metode
klasifikasi Support Vector Machine pada data akreditasi Sekolah Dasar
(SD) di Kabupaten Magelang. Jurnal Gaussian, (3), (4),(811 – 820)
Sri, Maya,S., Dwi, I., Sugito, 2015, dengan judul Klasifikasi Lama Studi
Mahasiswa Fsm Universitas Diponegoro Menggunakan Regresi Logistik
Biner Dan Support Vector Machine (Svm), Jurnal Gaussian, (4), (1),
,(123 – 132).
Siti, N., Kusrini, Emha, T.,L.,2015, dengan judul Prediksi mahasiswa drop out
menggunakan metode support vector machine. Jurnal Ilmiah
SISFOTENIKA,(82)