Optimasi Parameter Support Vector Machine Dengan Particle Swarm Optimization Untuk Prediksi Tunggakan Iuran Sekolah

Abstract

Penelitian ini berfokus pada pengembangan model prediktif untuk mengidentifikasi tunggakan iuran siswa di Sekolah Madrasah Ibtidaiyah Muhammadiyah Pekanbaru. Model ini memanfaatkan metode Support Vector Machine (SVM) dengan optimasi parameter menggunakan algoritma Particle Swarm Optimization (PSO) untuk mencapai akurasi prediksi yang tinggi. Data iuran siswa tahun 2022 digunakan sebagai sumber data, dan proses pra-pemrosesan data dilakukan untuk membersihkan noise dan outlier serta mengatasi ketidakseimbangan kelas dengan teknik SMOTE. Model yang diusulkan menggabungkan SVM dengan PSO untuk mencari nilai C dan gamma yang optimal pada model SVM. Hasil penelitian menunjukkan bahwa SVM dengan kernel radial dan 80% data latih mencapai akurasi sebesar 86,39%. Pengujian SVM+PSO dilakukan dengan dua ukuran populasi (10 dan 15) dan 1000 generasi evolusi. Penggunaan 10 populasi menghasilkan akurasi sebesar 89,20%, sedangkan 15 populasi mencapai akurasi 90,64% dengan nilai optimal C=1,4 dan gamma=2,6. Penelitian ini menekankan pentingnya penyesuaian parameter dan strategi evolusi seperti PSO dalam meningkatkan kinerja model SVM untuk tugas mengklasifikasikan tunggakan iuran siswa. Hasil ini menunjukkan bahwa model yang diusulkan mampu memberikan prediksi yang lebih akurat dibandingkan SVM standar, sehingga memberikan kontribusi penting dalam identifikasi dan pengambilan keputusan terkait tunggakan iuran siswa di sekolah