Komparasi Algoritma Machine Learning Untuk Klasifikasi Kelayakan Penerima Program Indonesia Pintar

Abstrak Salah satu upaya pemerintah untuk mengatasi masalah putus sekolah tersebut adalah dengan adanya Program Indonesia Pintar (PIP) untuk mencegah peserta didik dari kemungkinan putus sekolah. Proses penentuan kelayakan siswa diserahkan kepada sekolah. Sebagai contoh di SMAN 9 Garut. Dalam proses penentukan kelayakan siswa penerima PIP ini, terdapat masalah yang harus diselesaikan yaitu banyaknnya pertimbangan dalam kelayakan siswa penerima PIP dan prosesnya masih manual. Oleh karena itu, diperlukan sebuah model yang dapat membantu proses penentuan kelayakan siswa penerima PIP. Dalam penelitian ini akan membuat sebuah model menggunakan algoritma yang memiliki akurasi baik yaitu algoritma SVM, K-NN, dan Naïve bayes. Hasil dari penelitian ini menghasilkan sebuah model dengan tingkat akurasi SVM 97%, K-NN 94%, dan Naïve Bayes 70%. Dari hasil tersebut SVM merupakan algoritma paling baik yaitu 97% untuk melakukan klasifikasi dalam penentuan kelayakan siswa dalam penerima PIP. Kata kunci: Program Indonesia Pintar; Klasifikasi; SVM; K-NN; Naïve Bayes Abstract One of the government’s efforts to address the problem of school dropout is the implementation of the Smart Indonesia Program (Program Indonesia Pintar or PIP), which aims to prevent students from dropping out of school. The responsibility for determining students’ eligibility for PIP assistance is delegated to individual schools. One example is SMAN 9 Garut. In the process of determining students’ eligibility for PIP assistance, several challenges arise, including the numerous criteria that must be considered and the fact that the process is still conducted manually. Therefore, a model is needed to assist in determining students’ eligibility for PIP assistance. This study develops a classification model using three algorithms: Support Vector Machine (SVM), K-Nearest Neighbors (K-NN), and Naïve Bayes, to compare their classification performance. The results show that the SVM algorithm achieves an accuracy of 97%, K-NN achieves 94%, and Naïve Bayes achieves 70%. Based on these results, SVM demonstrates the best classification performance, achieving an accuracy of 97% in determining students’ eligibility for PIP assistance. Keywords: Smart Indonesia Program; Classification; SVM; K-NN; Naïve Bayes