Klasifikasi Kelayakan Seleksi Nasional Berdasarkan Prestasi dan Rekomendasi Jurusan Menggunakan Support Vector Machine: Eligibility Classification for the National Selection Based on Achievement and Study Program Recommendation Using Support Vector Machine

Ghefira Fariah; Irma Salamah; Mohammad Fadhli

doi:10.57152/malcom.v6i4.2956

Authors

Ghefira Fariah Politeknik Negeri Sriwijaya
Irma Salamah Politeknik Negeri Sriwijaya
Mohammad Fadhli Politeknik Negeri Sriwijaya

DOI:

https://doi.org/10.57152/malcom.v6i4.2956

Keywords:

Data Mining, Klasifikasi SNBP, Rekomendasi Jurusan, Sistem Berbasis Website, Support Vector Machine

Abstract

Penentuan kelayakan siswa untuk mengikuti Seleksi Nasional Berdasarkan Prestasi (SNBP) beserta rekomendasi program studi di SMA Pusri Palembang sebelumnya masih dilakukan melalui proses manual sehingga membutuhkan waktu relatif lama dan berpotensi menghasilkan keputusan yang kurang konsisten. Penelitian ini mengembangkan sistem berbasis website yang mengintegrasikan algoritma Support Vector Machine (SVM) untuk melakukan klasifikasi kelayakan SNBP sekaligus menghasilkan rekomendasi jurusan berdasarkan data akademik siswa. Penelitian menggunakan 153 data akademik siswa yang terdiri atas nilai rapor, rata-rata nilai, dan peringkat kelas. Sebelum proses pemodelan, data dipersiapkan melalui tahapan preprocessing, normalisasi, dan pembagian dataset menggunakan metode train-test split dengan rasio 80% data latih dan 20% data uji. Model SVM menerapkan kernel Radial Basis Function (RBF) karena mampu menangani pola data akademik yang bersifat nonlinier secara efektif. Hasil pengujian menunjukkan bahwa model klasifikasi kelayakan SNBP memperoleh accuracy sebesar 98,69%, precision sebesar 97,92%, recall sebesar 97,92%, dan F1-score sebesar 97,92%. Pada rekomendasi jurusan, model menghasilkan accuracy sebesar 86,93%, dengan performa terbaik pada kelas Sistem Informasi yang memperoleh precision sebesar 96,23%, recall sebesar 98,08%, dan F1-score sebesar 97,15%. Integrasi kedua fungsi dalam satu aplikasi berbasis website menjadi kontribusi penelitian ini karena mendukung pengambilan keputusan akademik secara lebih cepat, objektif, dan terkomputerisasi bagi administrator, guru, maupun siswa

Downloads

Download data is not yet available.

References

M. Pangri, D. A. Faroek, and S. R. M. Weyai, “Perancangan Sistem Informasi Akademik TK Berbasis Web: Studi pada TK Ekklesia,” *Jurnal Media Informatika*, vol. 6, no. 4, pp. 2357–2367, 2025.

I. N. I. P. Mukmin and D. P. W. Wigandi, “Rancang Bangun Sistem Monitoring Nilai Siswa Berbasis Website di MTs Al-Musyarrofah Jakarta Selatan,” pp. 517–529, 2024.

Seleksi Nasional Berdasarkan Prestasi (SNBP), “Informasi Umum SNBP.” Accessed: Mar. 12, 2026. [Online]. Available: [https://snpmb.id/snbp/informasi-umum](https://snpmb.id/snbp/informasi-umum)

N. Sany, E. F. Muchlis, M. Hasanudin, and B. Berlinton, “Prediction of Student Major Selection at High School Using a Machine Learning Approach,” *International Journal of Electrical, Computer and System Applications*, vol. 4, no. 1, pp. 51–58, 2025.

R. E. Manihuruk, E. Landya, and B. Hotang, “Prediction Models with Machine Learning Against Student Success in Online Learning,” *Sinkron*, vol. 6, no. 1, pp. 62–68, 2021.

Y. Chang, Y. Lin, and P.-F. Pai, “Support Vector Machines with Hyperparameter Optimization Frameworks for Classifying Mobile Phone Prices in Multi-Class,” 2025.

N. Anwar, “Applying Data Science to Analyze and Improve Student Learning Outcomes in Educational Environments,” vol. 3, no. 1, pp. 72–83, 2024.

N. I. Rizqi, P. K. Farista, and Agussalim, “Penerapan Metode Support Vector Machine untuk Memprediksi Kelulusan Siswa di SMA Bina Marga,” 2025.

E. J. Khansa, S. H. Wijoyo, and D. Pramono, “Analisis Perbandingan Algoritma C4.5 dan Support Vector Machine (SVM) untuk Klasifikasi Jurusan Siswa,” 2023.

Z. A. W. Sugandi and Sarmini, “Implementasi Metode Support Vector Machine (SVM) Pada Sistem Rekomendasi Produk Perawatan Wajah Berbasis Web,” 2024.

Y. Restiani and J. Purwadi, “Support Vector Machine for Classification: A Mathematical and Scientific Approach in Data Analysis,” 2024.

S. V. Mahadevkar, B. Khemani, S. Patil, K. Kotecha, and L. A. Gabralla, “A Review on Machine Learning Styles in Computer Vision: Techniques and Future Directions,” 2022.

F. Refindha, A. Harianto, Z. Alawi, and I. Aristia, “Pengaruh Komposisi Split Data pada Akurasi Klasifikasi Penderita Diabetes Menggunakan,” *Jurnal*, vol. 8, no. 1, pp. 36–44, 2025.

N. H. E. Rahmi and E. Yumami, “Analisis Metode Pengembangan Sistem Informasi Berbasis Website: Systematic Literature Review,” vol. 7, pp. 821–834, 2023.

H. Mendra, Imilda, and S. Abdus, “Perancangan Portal Web Pemerintahan Desa pada Kantor Desa,” vol. 4, no. 1, pp. 27–39, 2025, doi: 10.59431/jmasif.v4i1.491.

M. M. Bala, A. A. Lawan, and S. M. Abdulrahman, “Design and Implementation of a Web-Based Information System,” 2024.

C. P. W. Apiag, E. B. S. Cadiz, and D. R. Lincopinis, “A Review on PHP Programming Language.”

M. Alda and D. R. Sahendra, “Inventaris Barang Berbasis Web,” 2023.

S. D. Kudratovna, “PHP is One of the Main Tools for Creating a Web Page in Computer Science Lessons,” vol. 9, pp. 83–87, 2022.

L. Apriyadi, “Sistem Informasi Pengelolaan Data Website Berbasis JavaScript dan Data CSS Untuk,” vol. 6, no. 2, 2025.

I. P. Sari, A. Jannah, A. M. Meuraxa, A. Syahfitri, and R. Omar, “Perancangan Sistem Informasi Penginputan Database Mahasiswa Berbasis Web,” 2022.

K. Raihani, “Implementasi Sistem Informasi Berbasis Web Untuk Penyediaan Informasi Pada Toko LAC of Beauty: Studi Penggunaan,” vol. 14, pp. 757–767, 2025, doi: 10.33395/jmp.v14i1.14865.