Pemodelan Klasifikasi Lama Waktu Pencapaian Jabatan Fungsional Lektor Kepala menggunakan Optimizer Parameter Support Vector Machine

ABSTRAKPemenuhan dosen dengan jabatan fungsional lektor kepala dan guru besar menjadi sangat penting dalam memperoleh akreditasi unggul bagi perguruan tinggi. Salah satu upaya pemenuhan dengan melakukan klasifikasi dosen dari sisi lama waktu pencapaian jabatan fungsional lektor kepala dari lektor pada Universitas Sebelas Maret dibagi menjadi tiga, yaitu cepat, sedang, dan lambat. Variabel yang digunakan dalam klasifikasi antara lain usia, tempat studi, lama studi, international research, sertifikasi dosen, jabatan structural dan bidang ilmu dari staf pengajar. Penelitian ini melakukan klasifikasi menggunakan algoritma Support Vector Machine dengan dataset sejumlah 520 data. K-fold Cross Validation digunakan untuk membagi dataset menjadi data latih dan data uji, dengan k=5. Hasil pengujian model diperoleh rata-rata akurasi terbaik menggunakan Support Vector Machine sebesar 86.39% dengan Optimizer Parameter sedangkan rata-rata akurasi Support Vector Machine tanpa parameter sebesar 80.92%.Kata kunci: klasifikasi, jabatan fungsional, Support Vector Machine, K-fold Cross Validation ABSTRACTThe fulfillment of lectures on achieving associate professor and professor position holds tremendous significance for gaining excellent institution Accreditation Predicate. Sebelas Maret Univesity took measures to achieve this objective by carrying out thorough the classification on the length of achieving associate professor from instructor position and split into 3 grades namely fast, medium and slow. The features used for conducting the classification are age, place of study, the length of the study, the amount of international publication, lecturer certification, lecturer’s structural position and field of study. In this study, the Support Vector Machine algorithm was utilized to classify a dataset consisting of 520 data. To ensure reliable results, K-fold Cross Validation was applied to divide the dataset into training and test data, with k=5. The evaluation of the model's performance revealed that the Support Vector Machine achieved an impressive average accuracy of 86.39%. In contrast, the average accuracy of the Support Vector Machine to 80.92% without parameters.Keywords: classification, associate lectures position, support vector machine, K-fold Cross Validation