Perbandingan SVM dan Random Forest dalam Memprediksi Kelulusan Santri Menuju Timur Tengah

Abstract

Penelitian ini dilakukan guna membandingkan performa algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam memprediksi kelulusan santri Pondok Pesantren Imam Bukhari untuk melanjutkan studi ke universitas di Timur Tengah. Data yang digunakan meliputi nilai akademik, kemampuan bahasa Arab, dan jumlah hafalan Al-Qur’an, dengan total 1.168 data santri. Proses pra-pemrosesan mencakup konversi data, normalisasi, serta penanganan ketidakseimbangan kelas memanfaatkan metode Synthetic Minority Oversampling Technique (SMOTE). Evaluasi model dilakukan dengan menggunakan metrik seperti akurasi, precision, recall, dan F1-score. Berdasarkan hasil evaluasi, algoritma Random Forest menunjukkan tingkat akurasi yang lebih tinggi sebesar 61,1%, sedangkan SVM menunjukkan kinerja lebih baik dalam mengenali santri yang diterima, dengan recall sebesar 39% dan F1-score 0,32. Temuan ini menunjukkan bahwa SVM lebih cocok digunakan ketika fokus prediksi diarahkan pada identifikasi santri berpotensi. Penelitian ini beperan sebagai dasar pengembangan sistem pendukung keputusan berbasis machine learning di lingkungan pesantren.