Currently, the selection of elective courses that run only based on the wishes of students without looking at the scores of previous courses and course prerequisites,
resulting in students not focusing on one concentration of elective courses. In this study, a prediction system for taking elective courses based on the scores obtained in previous courses was made, so that the study program can predict the taking of student elective courses to provide information to students so that students can focus on one concentration of elective courses and as an illustration of the study program to open classes for elective courses.
In this study, the Graph Convolutional Network method is a message passing operation to accumulate neighboring vertex features into vertex features. In general, the GCN model architecture is composed of several hidden layers in the form of convolutional layers where the function of each layer is to aggregate and transform the vertex feature representation accordingly with the graph topology becoming a graph representation and propagating that graph representation to the next hidden layer.
Making a prediction process for the maintenance of student courses using the Graph Convolutional Network method consists of several stages. Starting from data collection and understanding, data preparation with data sharing, data modeling. From the training process, a model with an accuracy of 62,50% was obtained. From the results of this study with the editorial using the Graph Convolutional Network, students will find out the recommended elective courses based on the predictions of the courses that have been taken.

Saat ini pemilihan mata kuliah pilihan yang berjalan hanya berdasarkan keinginan dari mahasiswa tanpa melihat nilai mata kuliah sebelumnya dan prasyarat mata kuliah, sehingga mengakibatkan mahasiswa tidak terfokus pada satu konsentrasi mata kuliah pilihan. Pada penelitian ini dibuatkan sistem prediksi pengambilan mata kuliah pilihan berdasarkan nilai yang telah didapatkan pada mata kuliah sebelumnya, sehingga program studi dapat memprediksi pengambilan mata kuliah pilihan mahasiswa untuk memberikan informasi kepada mahasiswa sehingga mahasiswa dapat terfokus pada satu konsentrasi Mata kuliah pilihan dan sebagai gambaran program studi untuk melakukan pembukaan kelas mata kuliah pilihan.
Pada penelitian ini menggunakan metode Graph Convolutional Network yang merupakan operasi message passing untuk mengakumulasi fitur verteks yang bertetangga menjadi fitur verteks. Secara umum, arsitektur model GCN tersusun dari beberapa hidden layer berupa convolutional layer dimana fungsi setiap layer tersebut adalah mengagregasi dan mentranformasi representasi fitur verteks sesuai dengan topologi graf menjadi sebuah representasi graf dan mempropagasi representasi graf tersebut ke hidden layer berikutnya.
Pembuatan proses prediksi pemelihan mata kuliah pilihan mahasiswa menggunakan metode Graph Convolutional Network terdiri dari beberapa tahap. Mulai dari pengumpulan dan pemahaman data, persiapan data dengan pembagian data
menggunaka, pemodelan data. Dari proses pelatihan diperoleh model dengan akurasi sebesar 62,50 %. Dari hasil penelitian ini dengan prediksi menggunakan Graph Convolutional Network mahasiswa akan mengetahui mata kuliah pilihan yang direkomendasikan berdasarkan prediksi mata kuliah yang telah diambil.