37

Implementasi Metode Support Vector Machine (SVM)

Untuk Rekomendasi Topik Tugas Akhir Mahasiswa
Berdasarkan Rekam Nilai Mata Kuliah Keahlian
Berbasis Mobile
Implementation of Support Vector Machine (SVM)
Method for Recommendation of Student Task Topics
Based on Record Value of Mobile Based Expertise
Courses
Sitti Aisa*1, Nurul Aini 2
1
Program Studi Teknik Informatika, 2)Manajemen Informatika STMIK Dipanegara
Jalan Perintis Kemerdekaan Km. 9 Makassar
E-mail: *sittiasai.11@gmail.com, 2nurulaini.m11@gmail.

Abstrak

Prosedur penentuan topik tugas akhir bagi mahasiswa tingkat akhir hanya merujuk pada
permasalahan teknologi informasi yang terjadi di masyarakat. Selain itu penentuan topik tugas
akhir juga merujuk pada trend topik perkembangan ilmu komputer. Dapat dilihat Prosedur
penentuan topik tugas akhir mengabaikan kemampuan teknis mahasiswa. Idealnya Prosedur
penentuan topik tugas akhir bagi mahasiswa tingkat akhir selain merujuk pada permasalahan
teknologi informasi yang terjadi di masyarakat dan pada trend topik perkembangan ilmu
komputer. Riwayat nilai Mata Kuliah Keahlian juga harusnya bisa menjadi variable penting
dalam penentuan topik tugas akhir. dimana kemampuan mahasiswa dapat dilihat dari rekam nilai
mata kuliah keahlian yang terdapat pada Sistem informasi Akademik (SIAKA) STMIK
Dipanegara. Dibutuhkan metode yang dapat melakukan klasifikasi terhadap kelompok mata
kuliah keahlian yang telah diambil oleh mahasiswa. Metode support vector machine (SVM)
merupakan teknik klasifikasi yang semi-eager learner. Karena selain memerlukan proses
pelatihan, Support Vector Machine juga menyimpan sebagian kecil data latih untuk digunakan
kembali pada saat proses prediksi. Support Vector Machine memberikan model klasifikasi yang
solusinya global optimal, yaitu selalu memberikan model yang sama dan solusi dengan margin
maksimal.

Kata Kunci— Topik, Prediksi, Support Vector Machine, Android

Abstract

The procedure of final assignment of final project for final student only refers to information
technology problem that happened in society. In addition, the final assignment of the topic also
refers to the trend of computer science development topics. Visible Procedures The final
assignment of topic topics ignores students' technical skills. Ideally The procedure for
determining the final topic for final students in addition to referring to information technology
38  ISSN: 1978-1520

problems that occur in society and on the trend of computer science development topics.
Historical values Subjects Expertise should also be an important variable in the determination of
the final project topic. where the ability of students can be seen from the record value of expertise
courses contained in the Academic Information System (SIAKA) STMIK Dipanegara. It takes a
method that can classify the group of skill classes that have been taken by the students. The method
of support vector machine (SVM) is a semi-eager learner classification technique. Because in
addition to requiring the training process, the Support Vector Machine also stores a small amount
of training data to be reused during the prediction process. Support Vector Machine provides the
optimal global solution classification model, which always provides the same model and solution
with maximum margin.
Keywords— Topic, Prediction, Support Vector Machine, Android

1. PENDAHULUAN
STMIK Dipanegara merupakan kampus Teknologi informasi pertama di kota Makassar
dengan tingkat aktifitas kampus yang sibuk dengan jumlah mahasiswa yang mencapai 6.000 lebih
mahasiswa dan 100 lebih dosen dan memiliki Kurikulum dengan 50 sampai 60 mata kuliah
keahlian yang diprogramkan tiap mahasiswa. serta jumlah mahasiswa yang melakukan penelitian
tugas akhir mencapai 300 mahasiswa tiap semester, fakta di atas menjadi tantangan tersendiri bagi
prodi dalam menentukan topik penelitian bagi mahasiswa tingkat akhir.

Prosedur penentuan topik tugas akhir bagi mahasiswa tingkat akhir hanya merujuk pada
permasalahan teknologi informasi yang terjadi di masyarakat. Selain itu penentuan topik tugas
akhir juga merujuk pada trend topik perkembangan ilmu komputer. Dapat dilihat Prosedur
penentuan topik tugas akhir mengabaikan kemampuan teknis mahasiswa.

Idealnya Prosedur penentuan topik tugas akhir bagi mahasiswa tingkat akhir selain merujuk
pada permasalahan teknologi informasi yang terjadi di masyarakat dan pada trend topik
perkembangan ilmu komputer. Riwayat nilai Mata Kuliah Keahlian juga harusnya bisa menjadi
variable penting dalam penentuan topik tugas akhir. dimana kemampuan mahasiswa dapat dilihat
dari rekam nilai mata kuliah keahlian yang terdapat pada Sistem informasi Akademik (SIAKA)
STMIK Dipanegara. Dibutuhkan metode yang dapat melakukan klasifikasi terhadap kelompok
mata kuliah keahlian yang telah diambil oleh mahasiswa. Metode support vector machine (SVM)
merupakan teknik klasifikasi yang semi-eager learner. Karena selain memerlukan proses
pelatihan, Support Vector Machine juga menyimpan sebagian kecil data latih untuk digunakan
kembali pada saat proses prediksi. Support Vector Machine memberikan model klasifikasi yang
solusinya global optimal, yaitu selalu memberikan model yang sama dan solusi dengan margin
maksimal.

Dari penjelasan diatas, maka dapat dituliskan rumusan masalah adalah bagaimana
membangun aplikasi yang menentukan topik tugas akhir berdasarkan riwayat mata kiliah keahlian
dengan mengacu pada rekam nilai mata kuliah keahlian dan bagaimana mengimplementasikan
metode Support Vector Machine ( SVM ) untuk menentukan topik penelitian tugas akhir
mahasiswa. Tujuan dari penelitian ini adalah membangun aplikasi yang dapat merekomendasikan
topik tugas akhir mahasiswa berdasarkan riwayat nilai mata kuliah keahlian serta
mengimplementasikan metode Support Vector Machine (SVM) untuk merekomendasikan topik
tugas akhir.

Support Vector Machine pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai
rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. SVM adalah
metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan
tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. [1][10]
 39

Gambar 1 dan gambar 2 memperlihatkan beberapa pattern yang merupakan anggota dari
dua buah class : +1 dan –1. Pattern yang tergabung pada class –1 disimbolkan dengan warna
merah (kotak), sedangkan pattern pada class +1, disimbolkan dengan warna kuning (lingkaran).
Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang
memisahkan antara kedua kelompok tersebut.[1]

Gambar 1 : SVM berusaha untuk menemukan hyperplane terbaik yang memisahkan kedua kelas
-1 dan +1 dan Gambar 2 :Hyperplane terbentuk diantara class-1 dan +1

Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin
hyperplane tsb. Dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut
dengan pattern terdekat dari masing-masing class. Pattern yang paling dekat ini disebut sebagai
support vector. Garis solid pada gambar menunjukkan hyperplane yang terbaik, yaitu yang
terletak tepat pada tengah-tengah kedua class, sedangkan titik merah dan kuning yang berada
dalam lingkaran hitam adalah support vector. Usaha untuk mencari lokasi hyperplane ini
merupakan inti dari proses pembelajaran pada SVM.
Pengklasifikasi Support Vector Machine menggunakan sebuah fungsi atau hyperplane
untuk memisahkan dua buah kelas pola. Support Vector Machine berusaha mencari hyperplane
yang optimal dimana dua kelas pola dapat dipisahkan dengan maksimal. Support Vector Machine
hanya memerlukan parameter kernel (tergantung pada fungsi kernelnya) dalam satu parameter C
yang memberikan pinalti pada titik data yang di klasifikasikan secara acak .
Dalam Support Vector Machine bobot (w) dan bias (b) merupakan solusi globaloptium dari
quadratic programming yang merupakan formulasi matematika dari Support Vector Machine
sehingga cukup dengan sekali running akan menghasilkan solusi yang akan selalu sama untuk
pilihan kernel dan parameter yang sama.[1][10]

Android memiliki aplikasi Native Google yang terintegrasi seperti pushmail Gmail, Google
Maps, dan Google Calendar.Pengembang memiliki beberapa pilihan dalam membuat aplikasi
yang berbasis Android.Namun kebanyakan pengembang menggunakan Eclipse dan
AndroidStudio sebagai IDE untuk merancang aplikasi mereka.Hal ini dikarenakan mendapat
dukungan langsung dari Google untuk menjadi pengembangan aplikasi Android. Berikut adalah
perkembangan versi Android :[2][3]

1. Sistem Operasi Android

a. Android versi 1.5 Cupcake
b. Android versi 1.6 Donut
40  ISSN: 1978-1520

c. Android versi 2.0 / 2.1 Éclair

d. Android versi 2.2 Frozen Yogurt
e. Android versi 2.3 Gingerbread
f. Android versi 3.0 / 3.1 Honeycomb
g. Android versi 4.0 Ice Cream Sandwich
h.Android versi 4.1.x / 4.2.x / 4.3 Jelly Bean
i. Android versi 4.4 KitKat
j. Android versi 5.0 Lollipop
Android versi 6.0 Marshmallow

2. METODE PENELITIAN

2.1 Metode Penelitian

Dasar penelitian yang digunakan sebagai bahan untuk kelengkapan data dan informasi
adalah :
1. Penelitian kepustakaan (library research), yaitu pegumpulan data dengan cara membaca
buku melalui 40iterature dan buku lain yang bersifat ilmiah yang ada hubungannya dengan
materi pembahasan.
2. Penelitian lapangan, yaitu suatu penelitian yang di dalamnya ditemukan satu variabel yang
dimanipulasi untuk mempelajari hubungan sebab akibat.

2.2 Bahan Penelitian

Adapun bahan yang digunakan dalam penelitian berupa berupa perangkat lunak (software).
Dalam melakukan perancangan sistem maka diperlukan beberapa software dan file diantaranya :
Kartu Rencana Studi (KRS) dan Transkrip Nilai Mahasiswa.

2.3 Arsitektur Sistem

R ekom endasi
T o p ik
A d m in is tr a to r

M a h a s is w a In p u t N ila i

SQ UEEZER & TERM

F R E Q U E N C Y R A N K IN G S e rv e r W e b
M ETHO D S IA K A

R ekom endasi
T o p ik

M a h a s is w a

Gambar 2 : Arsitektur Sistem

Gambar 2 di atas merupakan arsitektur aplikasi rekomendasi topik tugas akhir berdasarkan
nilai mata kuliah keahlian. Pada sistem ini terdapat 2 (dua) aktor, yaitu Mahasiswa dan
administrator. Administrator adalah user yang melakukan penginputan nilai mahsiswa.
Sedangkan mahassiwa adalah user yang menggunakan sistem ini untuk menampilkan nilai
matakuliah serta topik tugas akhir mahasiswa.

Sistem yang dirancang memiliki dua bagian utama yaitu aplikasi Server berbasis web yang
berfungsi sebagai atarmuka bagi administrator untuk dapat menginput nilai mahasiswa. Serta
aplikasi mobile yang dapat digunakan mahasiswa untuk melihat transkrip nilai serta rekomendasi
topik tugas akhir.
 41

3. HASIL DAN PEMBAHASAN

3.1 Prosedural Aplikasi Web

1. Form Login Administrator

Gambar 3 : Form Login Adminstrator

Gambar 3 diatas adalah form login administrator dimana nantinya admin menginput
identitas mahasiswa, mata kuliah, topik tugas akhir, nilai mahasiswa.

2. Daftar Topik Mata Kuliah

Gambar 4 : Pemilihan topik untuk setiap matakuliah keahlian

Gambar 4 memperlihatkan tampilan pemilihan topik untuk setiap mata kuliah keahlian,
dimana setiap mata kuliah keahlian hanya bisa memilih maksimal dua topik yang sejalan
dengan mata kuliahnya.
42  ISSN: 1978-1520

3. Form Penginputan Nilai Mata kuliah

Gambar 5 : Form Penginputan Nilai Mata Kuliah

Gambar 5 memperlihatkan form penginputan nilai mata kuliah dimana terdiri dari Nim,
nama mahasiswa dan mata kuliah serta nilai yang didapatkan oleh mahasiswa tersebut.

4. Daftar Nilai Mahasiswa

Gambar 6 : Daftar Nilai Mahasiswa

Gambar 6 memperlihatkan daftar nilai mahasiswa yang sebelumnya sudah di input oleh
admin.

3.2 Prosedural Aplikasi Mobile

1. Form Login Mahasiswa

Gambar 7 : Form Login Mahasiswa

Gambar 7 memperlihatkan tampilan login mahasiswa pada aplikasi mobile dimana
pada aplikasi ini mahasiswa harus login dengan nim dengan password yang harus di isi
terlebih dahulu sebelum masuk ke menu utama dari aplikasinya.
 43

2. Transkrip Nilai Mahasiswa

Gambar 8 : Transkrip Nilai Mahasiswa

Gambar 8 memperlihatkan menu transkrip nilai yang dapat mahasiswa lihat dari
setiap semester yang telah dijalani. Nilai dari setiap mata kuliah diatas di input dari
aplikasi web yang telah di input oleh admin.

3. Akumulasi IPK Mahasiswa

Gambar 9 : Akumulasi IPK Mahasiswa

Gambar 9 memperlihatkan menu rekapitulasi nilai dimana terdapat jumlah sks yang
telah di lulusi serta indeks prestasi kumulatif yang telah mahasiswa peroleh.

4. Rekomendasi Topik Tugas Akhir

Gambar 10 : Rekomendasi Topik Tugas Akhir

44  ISSN: 1978-1520

Gambar 10 memperlihatkan menu rekomendasi topik dimana tertera topik yang bisa di
jadikan tugas akhir oleh mahasiswa dengan metode Support Vector machine.

4. KESIMPULAN
Berdasarkan hasil pengujian aplikasi rekomendasi topik tugas akhir mahasiswa bermasis
mobile menggunakan metode Support Vector Machine (Svm)maka diketahui bahwa:
1. Hasil pengujian fungsional dari sistem ini berjalan dengan baik.
2. Sistem Dapat digunakan pada untuk melihat trasmkrip nilai dan rekomendasi topik tugas
akhir .
3. Metode Support Vector Machine (SVM ) yang umumnya digunakan oleh tim menghitung
dan mengklasifikan topik penelitian dengan melakukan modifikasi berbadasrakan nilai
mahasiswa..
5. SARAN
Berdasarkan kesimpulan yang diperoleh serta keterbatasan dalam pengembangan aplikasi ini,
maka terdapat beberapa saran yang dapat dipertimbangkan untuk pengembangan aplikasi
selanjutnya, yakni:
1. Pengembangan dapat dilakukan dengan mengimplementasikan metode lain dalam
memberikan rekomendasi penelitian tugas akhir.
2. Untuk menyempurnakan system ini, pengembangan berikut dapat meliputi kriteria atau
variable lain yang relevan seperti tingkat kebaharuan topik tersebut .

DAFTAR PUSTAKA
[1] Siti Nurhayatim dkk. 2015 . “Prediksi Mahasiswa Drop Out Menggunakan Metode
Support Vector Machine”, Jogjakarta,
[2] Nazruddin Safaat 2012 Pemrograman Aplikasi Mobile Smartphone dan Tablet
Informatika. Bandung.
[3] Adi Nugroho. 2005. Analisis dan Perancangan Sistem Informasi Dengan Metodologi
Berorientasi Objek. Informatika. Bandung.
[4] Herlawati. 2011.Menggunakan UML. Penerbit Informatika, Bandung.
[5] Janner Simarmata, 2012, Rekayasa Perangkat Lunak. Penerbit Andi, Yogyakarta
[6] Liu, F. dkk, 2009. “Effective Keyword Search in RelationalDatabase”. Proceeding
ACM SIGMOD InternationalConference on Management of Data. Pp. 563-574.
[7] Martin Fowler. 2009. UML Distilled, Edisi 3. Yogyakarta: Andi.
[8] Sholiq 2006. Pemodelan Sistem Informasi Berorientasi Objek Dengan UML. Graha
Ilmu. Jakarta.
[9] Suarga. 2009. Dasar Pemrograman Komputer Dalam Bahasa Java. Andi Offset.
Makassar.
[10] Green F Mandias, 2016, Analisis Sentimen Pada Akun Twitter Universitas Klabat
Menggunakan Text Mining dan Support Vector Machine, Prosiding Seminar
Nasional Sistem Informasi dan Teknologi Informasi (Sensitif), Makassar, 17
Desember 2016.