KLASIFIKASI TINGKAT PRODUKTIVITAS MAHASISWA TEKNIK INFORMATIKA PADA PENGEMBANGAN WEB MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

STUDI KASUS MAHASISWA UNISBANK PADA PHP NATIVE DAN LARAVEL

Abstract

Pengembangan aplikasi web menuntut efisiensi tinggi, memicu perbandingan antara penggunaan PHP Native yang fleksibel dan Framework Laravel yang terstruktur.  Permasalahan utama saat ini adalah belum adanya model klasifikasi komputasional untuk memetakan dampak kedua metode tersebut terhadap produktivitas mahasiswa secara akurat. Penelitian ini bertujuan mengklasifikasi tingkat produktivitas mahasiswa Teknik Informatika UNISBANK dan membandingkan efektivitas kedua pendekatan menggunakan algoritma Support Vector Machine (SVM). Metode penelitian menggunakan pendekatan kuantitatif melalui kuesioner terhadap 43 responden. Data diproses melalui tahapan preprocessing, normalisasi, dan klasifikasi menggunakan SVM kernel Radial Basis Function (RBF), kemudian dibandingkan dengan algoritma Decision Tree dan Logistic Regression. Hasil penelitian menunjukan persepsi produktivitas pada Laravel (µ = 3.53) lebih tinggi dibandingkan PHP Native (µ = 3.27). Model SVM menghasilkan akurasi sebesar 66.67%, sedangkan Logistic Regression memberikan performa terbaik dengan akurasi 77.78%. Analisis feature importance mengungkapkan bahwa manajemen struktur file dan modul pada Laravel menjadi indikator paling berpengaruh dalam meningkatkan produktivitas mahasiswa