KLASIFIKASI KELAYAKAN SEKOLAH DALAM PENYELENGGARAAN ASESMEN NASIONAL BERBASIS KOMPUTER MENGGUNAKAN MACHINE LEARNING

KLASIFIKASI KELAYAKAN SEKOLAH DALAM PENYELENGGARAAN ASESMEN NASIONAL BERBASIS KOMPUTER MENGGUNAKAN MACHINE LEARNING

• By Putra, Nuansa Pujangga;
• Skripsi
• 8
• 1-48

Transformasi digital dalam pendidikan mendorong penerapan Asesmen Nasional
Berbasis Komputer (ANBK) sebagai pengganti ujian nasional. Namun, banyak
sekolah menghadapi kendala dalam infrastruktur teknologi, kesiapan sumber daya
manusia, dan manajemen, terutama di daerah terpencil. Penelitian ini bertujuan untuk
menganalisis kelayakan sekolah dalam menyelenggarakan ANBK menggunakan
metode Support Vector Machine (SVM) yang dioptimalkan dengan Particle Swarm
Optimization (PSO). Data dikumpulkan melalui survei dan observasi, kemudian
diproses dengan pembersihan data, transformasi fitur, serta pembagian 70% data latih
dan 30% data uji. Model SVM dioptimalkan dengan PSO untuk meningkatkan akurasi
klasifikasi. Hasil penelitian menunjukkan bahwa model SVM-PSO mencapai akurasi
94.59%, dengan presisi kelas "Layak" 100% dan presisi kelas "Tidak Layak" 42.86%.
Recall kelas "Layak" mencapai 94.37%, sementara kelas "Tidak Layak" 100%,
menunjukkan kemampuan model dalam mengenali sekolah yang tidak layak dengan
baik. Meski akurasi tinggi, ketidakseimbangan dalam presisi menunjukkan perlunya
penyesuaian parameter, penyeimbangan dataset, dan optimasi fitur. Secara
keseluruhan, kombinasi SVM-PSO efektif dalam mengklasifikasikan kelayakan
sekolah untuk ANBK.

• Katakunci ANBK, Support Vector Machine, Particle Swarm Optimization, Kelayakan Sekolah, Machine Learning
• URL http://
• Penerbit IJCIT (Indonesia Journal on Computer and Informatika Technology, Jakarta Jawa Barat

REFERENSI

Anastasya, T. A., Diani, A., Saka, P., Juventus, M., Deke, D., & Rizki, A. M. (2025).
OPTIMASI ALGORITMA SVM DENGAN PSO UNTUK ANALISIS SENTIMEN
PADA MEDIA SOSIAL X TERHADAP KINERJA TIMNAS DI ERA SHIN TAEYONG. 9(1), 384–391.
Bagus Pratama, Y., & Setiawan, A. (2024). Implementasi Machine Learning
Menggunakan Algoritma K-Means Untuk Klasifikasi Sekolah Dasar.
RESOLUSI : Rekayasa Teknik Informatika Dan Informasi, 4(3), 249–257.
https://djournals.com/resolusi
Bumbungan, S., Kusrini, & Kusnawi. (2022). Penerapan Particle Swarm Optimization
(PSO) dalam Pemilihan Parameter Secara Otomatis pada Support Vector
Machine (SVM) untuk Prediksi Kelulusan Mahasiswa Politeknik Amamapare
Timika. Jurnal Teknik AMATA, 4(1), 81–93.
https://doi.org/10.55334/jtam.v4i1.77
Darwis, D., Pratiwi, E. S., & Pasaribu, A. F. O. (2020). Penerapan Algoritma Svm
Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi
Republik Indonesia. Edutic - Scientific Journal of Informatics Education, 7(1),
1–11. https://doi.org/10.21107/edutic.v7i1.8779
Emilia Ayu Wijayanti, Rahmadanti, T., & Enri, U. (2021). Perbandingan Algoritma
SVM dan SVM Berbasis Particle Swarm Optimization Pada Klasifikasi Beras
Mekongga. Generation Journal, 5(2), 102–108.
https://doi.org/10.29407/gj.v5i2.16075
Kemala, I., & Wijayanto, A. W. (2021). Perbandingan Kinerja Metode Bagging dan
Non-Ensemble Machine Learning pada Klasifikasi Wilayah di Indonesia menurut
Indeks Pembangunan Manusia. Jurnal Sistem Dan Teknologi Informasi (Justin),
9(2), 269. https://doi.org/10.26418/justin.v9i2.44166
Lubis, S. W., Adikara, P. P., & Darma, B. (2024). Optimasi Hyperparameter Support
Vector Machine Dengan Particle Swarm Optimization Terhadap Klasifikasi Citra
Digital Imbalanced. Jurnal Pengembangan Teknologi Informasi Dan Ilmu
26
Komputer, Vol 8 No 3. https://j-ptiik.ub.ac.id/index.php/jptiik/article/view/13508
Mahmud Nawawi, H., Baitul Hikmah, A., Mustopa, A., & Wijaya, G. (2024). Model
Klasifikasi Machine Learning untuk Prediksi Ketepatan Penempatan Karir.
Jurnal SAINTEKOM, 14(1), 13–25.
https://doi.org/10.33020/saintekom.v14i1.512
Nata, A., & Suparmadi, S. (2022). Analisis Sistem Pendukung Keputusan Dengan
Model Klasifikasi Berbasis Machine Learning Dalam Penentuan Penerima
Program Indonesia Pintar. Journal of Science and Social Research, 5(3), 697.
https://doi.org/10.54314/jssr.v5i3.1041
Ninditama, I. P. (2021). Model Machine Learning untuk Klasifikasi Keluarga
Sejahtera Study Kasus : Kecamatan Kota Palembang. Jurnal Tekno Kompak,
15(2), 37. https://doi.org/10.33365/jtk.v15i2.1156
Pradana, A. I., Studi, P., Rekayasa, T., Lunak, P., Ilmu, F., Duta, U., Surakarta, B.,
Studi, P., Komputer, T., Ilmu, F., Duta, U., Surakarta, B., Studi, P., Informasi, S.,
Ilmu, F., Duta, U., Surakarta, B., & Tengah, J. (2024). PERBANDINGAN DATA
UNTUK MEMPREDIKSI KETEPATAN STUDI Keberhasilan merupakan tujuan
yang menempuh Salah satu keberhasilan mahasiswa tersebut dapat dilihat dari
ketepatan waktu dalam menyelesaikan Keberhasilan studi mahasiswa dalam
menjalani proses pendidika. 8(2), 221–228.
Silalahi, W., & Hartanto, A. (2023). Klasifikasi Sentimen Support Vector Machine
Berbasis Optimasi Menyambut Pemilu 2024. JRST (Jurnal Riset Sains Dan
Teknologi), 7(2), 245. https://doi.org/10.30595/jrst.v7i2.18133
Teknologi, T. J., & Informasi, I. (2024). IMPLEMENTASI SVM-PSO DALAM
ANALISIS SENTIMEN. 2(4), 97–110.
Warjaya, A., Meirza, A., Puteri, N. R., & Niska, D. Y. (2024). Dalam Pemilihan
Laptop Terbaik dalam Jurusan Ilmu Komputer Menggunakan Metode Simple
Multi Attribute Rating Technique. 268610896, 1–11.