IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI KELAYAKAN SNBP BERBASIS WEBSITE DI SMA PUSRI PALEMBANG

Fariah, Ghefira (2026) IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI KELAYAKAN SNBP BERBASIS WEBSITE DI SMA PUSRI PALEMBANG. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (1MB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (220kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (263kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (368kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (650kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (201kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (184kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Proses penentuan siswa eligible Seleksi Nasional Berdasarkan Prestasi (SNBP) di SMA Pusri Palembang masih dilakukan secara manual sehingga kurang efisien dan berpotensi menimbulkan subjektivitas. Penelitian ini bertujuan mengembangkan sistem informasi akademik berbasis website yang mampu mengklasifikasikan kelayakan siswa mengikuti SNBP perguruan tinggi menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 764 data akademik siswa dan alumni SMA Pusri Palembang. Model dikembangkan melalui tahapan preprocessing, normalisasi data menggunakan StandardScaler, pelatihan SVM dengan kernel Radial Basis Function (RBF), serta evaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan model klasifikasi kelayakan SNBP memperoleh accuracy sebesar 98,69%. Pengujian menggunakan metode Blackbox Testing menunjukkan seluruh fitur website berjalan sesuai dengan fungsinya. Sistem yang dikembangkan mampu membantu sekolah dalam menentukan kelayakan siswa mengikuti SNBP secara lebih objektif berdasarkan data akademik siswa.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Support Vector Machine (SVM), SNBP, klasifikasi, machine learning, sistem berbasis web
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	21 Sep 2026 02:14
Last Modified:	21 Sep 2026 02:14
URI:	http://eprints.polsri.ac.id/id/eprint/26534

Actions (login required)

View Item