Klasifikasi Kesesuaian Bidang Kerja Alumni FASILKOM-TI USU Berdasarkan Tracer Study Menggunakan Algoritma Support Vector Machine

Abstract

Working according to the field of our expertise, is one of the main values that is expected by everyone. Especially for Alumni Fasilkom-TI Universitas Sumatera Utara, who spend an average of 3.8 years of study in the field of Computer Science and Information Technology. However, in reality, there are cases where Alumni are forced to work in areas other than their fields of expertise. This research was conducted in order to determine the suitability classification of the Alumni's field of work through the data that has been inputted by the Alumni in the Tracer Study database in the 2016 - 2021 graduate period, using the Support Vector Machine algorithm approach. All stages in this research consist of preprocessing which includes tokenizing, stopword removal, stemming and classification using the Support Vector Machine algorithm. The accuracy value of the classification built in this study with datasets that have been validated using cross validation and confusion matrix methods. From the test results in this study, the classification results using the Support Vector Machine algorithm with an accuracy value of 90.62% and a precision level of 97.5% from testing 41 alumni data.

Bekerja sesuai bidang keahlian, merupakan salah satu nilai utama yang diharapkan setiap orang. Terlebih bagi para Alumni Fasilkom-TI Universitas Sumatera Utara yang rata-rata menghabiskan waktu studi di bidang Ilmu Komputer dan Teknologi Informasi selama 3,8 tahun. Namun, dalam kenyataannya, ada saja kasus dimana para Alumni terpaksa bekerja di selain bidang keahliannya tersebut. Penelitian ini dilakukan dalam rangka untuk menentukan klasifikasi kesesuaian bidang kerja para Alumni melalui data yang telah diinput oleh para Alumni di database Tracer Study dalam rentang waktu lulusan 2016 - 2021, dengan menggunakan pendekatan algoritma Support Vector Machine. Keseluruhan tahapan dalam penelitian ini terdiri dari preprocessing yang meliputi tokenizing, stopword removal, stemming dan klasifikasi menggunakan algoritma Support Vector Machine. Nilai akurasi dari klasifikasi yang dibangun dalam penelitian ini dengan dataset yang telah divalidasi menggunakan metode cross validation dan confusion matrix. Dari hasil pengujian dalam penelitian ini, didapatkan hasil klasifikasi menggunakan algoritma Support Vector Machine dengan nilai akurasi sebesar 90.62% dan tingkat precision sebesar 97.5% dari pengujian 41 data alumni.