Implementasi Support Vector Machine (SVM) Untuk Prediksi Kesiapan Siswa Smk Memasuki Dunia Kerja: Studi Kasus Smk Swasta Rahmat Islamiyah Medan

Ika Puspita; Nova Mayasari

doi:10.30606/rjti.v4i2.3384

Authors

Ika Puspita Universitas Pembangunan Panca Budi Medan
Nova Mayasari Universitas Pembangunan Panca Budi Medan

DOI:

https://doi.org/10.30606/rjti.v4i2.3384

Keywords:

Support Vector Machine (SVM), Prediksi Kesiapan Kerja, Rapidminer, Machine Learning

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Support Vector Machine (SVM) dalam memprediksi kesiapan siswa Sekolah Menengah Kejuruan (SMK) Swasta Rahmat Islamiyah Medan dalam memasuki dunia kerja. Latar belakang penelitian ini didasari oleh permasalahan umum di SMK, yaitu ketidaksesuaian antara kompetensi siswa dan kebutuhan industri serta belum adanya sistem evaluasi berbasis data untuk mengukur kesiapan siswa secara akurat. Data yang digunakan meliputi nilai akademik, nilai praktik kerja lapangan (PKL), hasil uji kompetensi, keaktifan dalam kegiatan ekstrakurikuler, dan kepemilikan sertifikat keahlian. Penelitian dilakukan menggunakan RapidMiner sebagai alat bantu analisis dan pemodelan. Hasil implementasi menunjukkan bahwa metode SVM mampu memprediksi kesiapan siswa dengan tingkat akurasi yang tinggi. Temuan ini memberikan kontribusi terhadap pengembangan sistem pendukung keputusan di lingkungan SMK, khususnya dalam proses penilaian kesiapan siswa untuk memasuki dunia kerja secara objektif dan terukur.

Downloads

References

A. Fatimah, “… Penggunaan Model Pembelajaran Pair Check Terhadap Hasil Belajar Siswa Dalam Mata Pelajaran Agama Islam Di SMP Swasta Rahmat Islamiyah Medan,” … Pendidik. Agama Islam [JIMPAI], vol. 2, no. April, pp. 12–20, 2022.

A. M. Dunn, O. S. Hofmann, B. Waters, and E. Witchel, “Cloaking malware with the trusted platform module,” Proceedings of the 20th USENIX Security Symposium. pp. 395–410, 2011.

Z. Sitorus, E. Hariyanto, and F. Kurniawan, “Desain Sitem Edukasi Rumah Baca Berbasis Resource Sharing Dengan Model Web Based Learning Di Desa Lau Gumba Kabupaten Karo,” Bull. Inf. Technol., vol. 3, no. 1, pp. 56–59, 2022, doi: 10.47065/bit.v3i1.262.

S. Aryza, Z. Tharo, and S. Anisah, “Design and Build a Sun Tracking System Using a Fuzzy Logic Controller to Optimize the Output Power of the Solar Cell Module,” pp. 5142–5154.

E. Hasibuan et al., “Implementasi Machine Learning untuk Prediksi Harga Mobil Bekas dengan Algoritma Regresi Linear berbasis Web,” J. Ilm. Komputasi, vol. 21, no. 4, pp. 595–602, 2022, doi: 10.32409/jikstik.21.4.3327.

A. D. Sidik and A. Ansawarman, “Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning,” Formosa J. Multidiscip. Res., vol. 1, no. 3, pp. 559–568, 2022, doi: 10.55927/fjmr.v1i3.745.

E. Haryatmi and S. Pramita Hervianti, “Penerapan Algoritma Support Vector Machine Untuk Model Prediksi Kelulusan Mahasiswa Tepat Waktu,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 386–392, 2021, doi: 10.29207/resti.v5i2.3007.

N. Mayasari, “Comparison of Support Vector Machine and Decision Tree in Predicting On-Time Graduation (Case Study: Universitas Pembangunan Panca Budi),” Int. J. Recent Trends Eng. Res, no. December 2016, pp. 139–151, 2016, [Online]. Available: https://www.researchgate.net/profile/Nova-Mayasari/publication/319464219_Comparison_of_Support_Vector_Machine_and_Decision_Tree_in_Predicting_On-Time_Graduation_Case_Study_Universitas_Pembangunan_Panca_Budi/links/59ace1cfa6fdcce55a387540/Comparison-of-Sup

P. Studi and T. Informatika, “Prediksi Kelulusan Siswa dengan Metode Support Vector Machine ( SVM ) di SMK ADILUHUR,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 9, no. 1, 2024.

Z. Syahputra, “Website Based Sales Information System With The Concept Of Mvc (Model View Controller),” J. Mantik, vol. 4, no. 2, pp. 1133–1137, 2020, [Online]. Available: http://iocscience.org/ejournal/index.php/mantik/article/view/882/595