PEMODELAN PREDIKTIF KELAYAKAN BEASISWA PIP MENGGUNAKAN SUPPORT VECTOR MACHINE: STUDI KASUS PADA SEKOLAH MENENGAH KEJURUAN NEGERI DI CIREBON
Abstract
Memastikan akses pendidikan yang setara bagi siswa dari keluarga berpenghasilan rendah tetap menjadi tantangan strategis dalam pengembangan sumber daya manusia di Indonesia. Program Indonesia Pintar (PIP) merupakan inisiatif pemerintah yang memberikan bantuan keuangan langsung kepada siswa kurang mampu atau yang berisiko putus sekolah karena kesulitan ekonomi. Namun, proses seleksi penerima beasiswa masih menghadapi permasalahan terkait akurasi dan objektivitas. Penelitian ini bertujuan untuk mengembangkan model klasifikasi guna mengidentifikasi calon penerima PIP yang layak menggunakan algoritma Support Vector Machine (SVM), berdasarkan data siswa dari Sekolah Menengah Kejuruan Negeri (SMK Negeri) di Cirebon. Dataset terdiri atas 216 data siswa, mencakup fitur seperti prestasi akademik, pendapatan orang tua, status KETM (keluarga ekonomi tidak mampu), serta variabel demografis lainnya. Model SVM dikembangkan menggunakan kernel linear pada platform R, dengan kinerja divalidasi melalui metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi klasifikasi sebesar 90% pada data pelatihan dan 85,19% pada data pengujian, dengan interval kepercayaan 95%. Temuan ini menunjukkan bahwa algoritma SVM efektif dalam mengklasifikasikan kelayakan penerima PIP berdasarkan variabel kuantitatif yang tersedia. Penelitian ini berkontribusi pada pengembangan sistem pendukung keputusan berbasis data di sektor pendidikan, khususnya dalam meningkatkan transparansi dan efisiensi distribusi beasiswa yang adil dan tepat sasaran.
Kata kunci: Klasifikasi, Machine Learning, Prediksi, Support Vector Machine, Beasiswa.
Full Text:
PDFReferences
R. C. A. Fajardo, F. B. Yara, R. F. Ardeña, M. K. L. Hernandez, and J. C. T. Arroyo, “A Data-Driven Approach in Predicting Scholarship Grants of a Local Government Unit in the Philippines Using Machine Learning,” vol. 72, no. 6, pp. 74–81, 2024, doi: 10.14445/22315381/IJETT-V72I6P108.
I. R. W. Astuti et al., “Meningkatkan Motivasi Siswa untuk Melanjutkan Pendidikan ke Perguruan Tinggi,” ADMA J. Pengabdi. dan Pemberdaya. Masy., vol. 5, no. 2, pp. 387–406, 2025, doi: 10.30812/adma.v5i2.4421.
P. Nikumbh, K. Guladhe, A. Mishra, R. Wankar, R. Yadav, and J. Avhad, “Scholarspot: Scholarship Recommendation System using Machine Learning,” 2024. doi: 10.1109/ICCUBEA61740.2024.10775136.
M. D. T. Wahyuni and I. P. A. Prabawati, “Transparansi dan Ketepatan Sasaran Dalam Penyaluran Program Indonesia Pintar: Studi Kasus Sekolah Dasar di Kecamatan Kuta Utara,” Socius J. Penelit. Ilmu …, vol. 02, no. June, pp. 257–262, 2025.
F. Hooshmand and M. Nikoomanesh, “Integration of machine constraint learning methods within optimization models,” Appl. Math. Model., vol. 146, p. 116184, 2025, doi: https://doi.org/10.1016/j.apm.2025.116184.
P. Castañeda, “Predictive Analysis of Student Dropout in Higher Education,” 2025, pp. 303–309. doi: 10.1145/3724504.3724554.
P. Xuan Lam, P. Q. H. Mai, Q. H. Nguyen, T. Pham, T. H. H. Nguyen, and T. H. Nguyen, “Enhancing educational evaluation through predictive student assessment modeling,” Comput. Educ. Artif. Intell., vol. 6, p. 100244, 2024, doi: https://doi.org/10.1016/j.caeai.2024.100244.
J. Li, “Prediction of University Students’ Scholarship Grade for Excellent Students Based on Machine Learning,” 2023, pp. 416–420. doi: 10.1109/ICEACE60673.2023.10442348.
N. Nurhayati and K. Lee, “Ensemble learning techniques to improve the accuracy of predictive model performance in the scholarship selection process,” vol. 4, no. 3, pp. 264–275, 2023, doi: 10.47738/jads.v4i3.112.
R. Jha, “A Systematic Study on Student Performance Prediction from the Perspective of Machine Learning and Data Mining Approaches,” 2023, pp. 1336–1342. doi: 10.1109/ICCES57224.2023.10192866.
S. Al-Hagree et al., “A Comparison of Machine Learning Techniques for Yemeni Universities Admission Examinations Predictions,” 2024. doi: 10.1109/ICETI63946.2024.10777278.
J. Ji, “An automatic scholarships evaluation method based on machine learning,” vol. 17, no. 39, pp. 3.1-3.4, 2016, doi: 10.5013/IJSSST.a.17.39.03.
J.-W. Lee, K.-S. Park, Y.-J. Jun, and S.-H. Eom, “A study on the advancement of building energy simulations: Utilizing ChatGPT to enhance occupancy rate predictions and sustainability outcomes,” Int. J. Air-Conditioning Refrig., vol. 33, no. 1, 2025, doi: 10.1007/s44189-025-00077-z.
K. Swetha, S. Thaila Shree, M. Soundaravalli, and A. Lincy, “Intelligent Enquiry Chatbot Using AI,” 2025, vol. 3204, no. 1. doi: 10.1063/5.0245932.
M. Arashpour et al., “Predicting individual learning performance using machine-learning hybridized with the teaching-learning-based optimization,” vol. 31, no. 1, pp. 83–99, 2023, doi: 10.1002/cae.22572.
A. T. Bere, Y. P. K. Kelen, and F. R. Bobu, “Penentuan Kelayakan Penerima Bantuan Beasiswa Berbasis Sistem Pendukung Keputusan Menggunakan Metode Multy Attribute Utility Theory (Maut) Pada Smkn 1 Kefamenanu,” TeknoIS J. Ilm. Teknol. Inf. dan Sains, vol. 15, no. 1, pp. 62–73, 2025, doi: 10.36350/jbs.v15i1.292.
W. S. Maulina and D. Kurniadi, “Perancangan Aplikasi Rekomendasi Calon Penerima Beasiswa Menggunakan Metode Simple Additive Weighting dan Rapid Throwaway Prototyping Model,” pp. 527–539, 2025, doi: 10.33364/algoritma/v.22-1.1778.
A. L. Febriansyah and V. Ratnawati, “Analisis Korelasional Motivasi Belajar dengan Kepercayaan Diri pada Siswa Penerima Beasiswa Progam Indonesia Pintar di MAN 1 Kota Kediri,” pp. 997–1004, 2025.
A. L. Febriansyah and Atrup, “Analisis Motivasi Belajar Pada Penerima Beasiswa Progam Indonesia Pintar Di MAN 1 Kota Kediri Tahun Ajaran 2024/2025,” pp. 233–240, 2025.
M. A. Shafii, I. Zakiya, D. Fitriyani, A. Arkundato, and A. G. Abdullah, “Neutron flux distribution of slab reactor core using one-dimensional multi-group diffusion equation in the thermal energy region,” in AIP Conference Proceedings, 2022, vol. 2663. doi: 10.1063/5.0108170.
M. R. Nihan Kristiyani, Azainil, Haerudin, “PENERAPAN SISTEM INFORMASI INDONESIA PINTAR ENTERPRISE DALAM PENYALURAN BEASISWA PROGRAM INDONESIA PINTAR,” Sustain., vol. 11, no. 1, pp. 1–14, 2025.
N. B. Sitepu, M. Zarlis, S. Efendi, and H. W. Dhany, “Analysis of Decision Tree and Smooth Support Vector Machine Methods on Data Mining,” 2019, vol. 1255, no. 1. doi: 10.1088/1742-6596/1255/1/012067.
S. Cherkezova, “Students’ mastery goal orientation, academic achievement and education-to-employment transition attitudes. Evidence from 30 countries,” Environ. Soc. Psychol., vol. 9, no. 5, 2024, doi: 10.54517/esp.v9i5.2313.
S. Maniyan, R. Ghousi, and A. Haeri, “Data mining-based decision support system for educational decision makers: Extracting rules to enhance academic efficiency,” Comput. Educ. Artif. Intell., vol. 6, p. 100242, 2024, doi: https://doi.org/10.1016/j.caeai.2024.100242.
DOI: https://doi.org/10.51920/jd.v15i2.444
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Muhammad Syafri Syamsudin, Indra Maulana, Suratno Suratno
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
| Alamat Redaksi : LPPM Universitas Catur Insan Cendekia (UCIC) Jl. Kesambi 202, Kota Cirebon 45133, Prov. Jawa Barat, Indonesia Telp.(0231) 220 250 / 220 260 / 200 418 Fax.(0231) 242 112, E-mail:lppm@cic.ac.id Website: http://jurnaldigit.org | P ISSN : 2088-589X E ISSN : 2720-9636  This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. |