Skripsi/Tugas Akhir

Implementasi Metode Profil Matching Berbasis SVM untuk Menentukan Kompetensi Bahasa Pemrograman Mahasiswa Bidang Teknologi Informasi

---

Rating Anda tentang Buku/Tulisan ini!

---

ABSTRAK
Penguasaan bahasa pemrograman adalah keterampilan penting bagi mahasiswa, terutama di bidang teknologi informasi, karena berfungsi sebagai alat untuk menciptakan perangkat lunak serta memahami logika dan analisis sistem. Seiring dengan meningkatnya kebutuhan akan tenaga ahli dalam pemrograman di berbagai sektor, termasuk pelayanan publik, penting untuk memiliki metode evaluasi yang efektif. Penelitian ini menerapkan metode Support Vector Machine (SVM) untuk mengklasifikasikan kompetensi pemrograman mahasiswa. Metode yang digunakan mencakup pre-processing yang baik untuk meningkatkan kualitas data input SVM, meliputi pembersihan data, normalisasi, dan pemilihan fitur yang relevan. Integrasi hasil Profil Matching dengan algoritma SVM diharapkan memberikan gambaran yang lebih jelas tentang kompetensi mahasiswa dalam kategori tertentu dan membantu merancang program pendidikan yang sesuai dengan kebutuhan industri. Hasil analisis menunjukkan bahwa model SVM mencapai akurasi sangat tinggi, yakni 96%. Dari proses klasifikasi, teridentifikasi bahwa 5 mahasiswa berada dalam kategori "Tinggi," 18 mahasiswa dalam kategori "Sedang," dan tidak ada mahasiswa dalam kategori "Rendah." Proses pengolahan data yang dilakukan berkontribusi signifikan terhadap hasil klasifikasi yang optimal. Penelitian ini membuktikan bahwa SVM efektif dalam mengidentifikasi dan mengklasifikasikan kategori kompetensi mahasiswa, menunjukkan bahwa nilai akademik tidak selalu mencerminkan kemampuan teknis yang sebenarnya. Pendekatan berbasis data ini sangat penting untuk meningkatkan kualitas pendidikan di bidang pemrograman dan mendukung pengembangan kurikulum yang lebih relevan.
Kata Kunci: Bahasa Pemrograman, Support Vector Mechine (SVM), Klasifikasi Kompetensi, Profil Matching, Kompetensi Mahasiswa

ABSTRACT
Mastery of a programming language is an important skill for students, especially in the field of information technology, because it functions as a tool for creating software and understanding system logic and analysis. As the need for experts in programming increases in various sectors, including public services, it is important to have effective evaluation methods. This research applies the Support Vector Machine (SVM) method to classify students' programming competencies. The method used includes good pre-processing to improve the quality of SVM input data, including data cleaning, normalization, and selection of relevant features. The integration of profile-matching results with the SVM algorithm is expected to provide a clearer picture of student competency in certain categories and help design educational programs that suit industry needs. The analysis results show that the SVM model achieves very high accuracy, namely 96%. From the classification process, it was identified that 5 students were in the "High" category, 18 students were in the "Medium" category, and there were no students in the "Low" category. The data processing carried out makes a significant contribution to optimal classification results. This research proves that SVM is effective in identifying and classifying student competency categories, showing that academic grades do not always reflect actual technical abilities. This data-driven approach is critical to improving the quality of education in the field of programming and supporting the development of more relevant curricula.
Keywords: Programming Languages, Support Vector Machine (SVM), Competency Classification, Profile Matching and Student Competencies

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 KAS i - 0873TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xv + 102 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 27 Februari 2025

Subjek

Skripsi/Tugas Akhir
Support Vector Machine
Algoritma Profile Matching

Lampiran File