Outlier Detection On Graduation Data Of Darussalam Gontor University Using One-Class Support Vector Machine

Deteksi Outlier merupakan salah satu bidang kajian yang penting karena mampu mendeteksi sebaran data tidak normal dari sekumpulan data. Pada data kelulusan mahasiswa terdapat mahasiswa dengan IP semester tinggi namun tidak lulus tepat waktu tetapi mahasiswa dengan IP semester rendah dapat lulus tepat waktu. Penelitian ini bertujuan untuk mendeteksi nilai outlier pada data kelulusan mahasiswa angkatan 2020-2021. Faktor (atribut) yang digunakan dalam penelitian ini adalah Angka Kredit Penunjang Akademik Mahasiswa (AKPAM) dan IPS dari semester satu sampai semester enam. Dataset yang digunakan sebanyak 1204 lulusan. Metode deteksi outlier yang digunakan adalah One-Class Support Vector Machine (SVM). One-class SVM merupakan turunan dari metode SVM yang mendeteksi outlier berdasarkan data diluar kelas yang telah ditentukan. Hasil dari outlier detection menggunakan metode One-Class SVM dengan tiga jenis kernel menghasilkan nilai acuan sebagai berikut: kernel ‘rbf’n sebesar 91, 4%, kernel ‘linear’sebesar 90% dan kernel ‘poly’sebesar 90%. Setelah dilakukan normalisasi mengggunakan MinMaxScaler nilai acuan meningkat sebesar 2% di setiap kernel. Hasil dari pengujian metode One-Class SVM mendapatkan nilai rata-rata sebesar 90, 3%, dengan demikian dapat disimpulkan bahwa metode One-Class SVM layak untuk digunakan sebagai metode deteksi outlier.