PERBANDINGAN METODE KLASIFIKASI UNTUK PENGELOMPOKAN RISIKO MAGANG MAHASISWA

Abstrak

Program magang di perusahaan telah menjadi metode penting dalam mengembangkan keterampilan dan pengalaman kerja bagi mahasiswa di dunia nyata. Meskipun memberikan banyak manfaat seperti meningkatkan kemampuan interpersonal dan memperluas jaringan kontak, program magang juga melibatkan risiko tertentu. Oleh karena itu, penting bagi institusi pendidikan dan perusahaan penyelenggara untuk memiliki pemahaman menyeluruh terhadap semua aspek program ini dan melakukan evaluasi secara berkala guna mengurangi risiko yang terkait. Penelitian ini memiliki tujuan utama untuk menganalisis dan membandingkan model klasifikasi machine learning, yaitu SVM, Multinomial Naive Bayes, Decision Tree C.45, dan Random Forest, dalam melakukan klasifikasi dan prediksi risiko pada program magang mahasiswa. Data yang digunakan dalam penelitian ini diperoleh melalui kuisioner yang berisi pernyataan seputar program magang, dan penulis berhasil mengumpulkan tanggapan dari 119 responden. Evaluasi dilakukan dengan membandingkan performa model-model tersbut berdasarkan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, dan F1-score. Hasil perbandingan model tersebut menunjukkan bahwa model SVM menjadi model yang optimal untuk diimplementasikan dengan nilai akurasi, presisi, recall, dan skor f1 tertinggi, yaitu 100%.