Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Indonesian Journal Computer Science (ijcs) Malcom: Indonesian Journal of Machine Learning and Computer Science
Meiriza, Alsella
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Asosiasi Antara Produktivitas Pelajar dan Manajemen Waktu Berdasarkan Algoritma FP-Growth Rabbani, Muhammad Randy; Theonady, Oktavio; Faizah, Haniyah; Satria, Eka Bayu; Meiriza, Alsella; Tania, Ken Ditha
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12327

Abstract

Penelitian ini bertujuan menganalisis hubungan antara manajemen waktu dan produktivitas pelajar menggunakan algoritma FP-Growth. Data yang digunakan berasal dari dataset Ultimate Student Productivity yang terdiri dari 5.000 data dan 21 atribut. Analisis dilakukan melalui tahapan Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, pra-pemrosesan, transformasi, serta pembentukan association rule berdasarkan nilai support, confidence, dan lift ratio. Hasil penelitian menunjukkan bahwa kategori sedang (medium) mendominasi sebagian besar variabel yang dianalisis. Aturan asosiasi memiliki nilai confidence tinggi dan lift ratio lebih dari satu, yang menunjukkan hubungan signifikan antar variabel. Produktivitas kategori sedang berkaitan dengan durasi belajar dan tingkat fokus yang seimbang, sedangkan kategori rendah berkorelasi dengan hasil akademik yang rendah. Temuan ini menunjukkan bahwa keseimbangan dalam pengelolaan waktu belajar berperan penting dalam membentuk pola produktivitas pelajar. Selain itu, pendekatan berbasis data mampu memberikan gambaran objektif mengenai perilaku belajar siswa. Temuan ini dapat dimanfaatkan untuk mengoptimalkan manajemen waktu belajar guna meningkatkan produktivitas dan capaian akademik pelajar, serta sebagai acuan bagi institusi pendidikan dalam menyusun strategi pembelajaran berbasis data.
Knowledge Discovery untuk Identifikasi Atribut Dominan Depresi Mahasiswa Menggunakan Random Forest: Knowledge Discovery for Identifying Dominant Attributes of Student Depression Using Random Forest Akmar, Nur Salwa Fadia; Saputra, Gerri Asa; Suandi, M.; Yusuf, Muhammad; Meiriza, Alsella; Tania, Ken Ditha; Rifai, Ahmad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2684

Abstract

Depresi merupakan gangguan kesehatan mental yang umum dialami Mahasiswa dan dipengaruhi oleh faktor sosial, akademik, serta psikologis. Penelitian ini bertujuan untuk mengidentifikasi atribut dominan depresi pada Mahasiswa menggunakan pendekatan data mining dalam kerangka Knowledge Discovery in Databases (KDD). Kebaruan penelitian ini terletak pada integrasi seleksi fitur Weight by Information Gain dan klasifikasi Random Forest untuk mengukur kontribusi atribut secara kuantitatif. Dataset Student Mental Health yang digunakan berjumlah 101 data, dengan distribusi kelas yang tidak seimbang. Hasil menunjukkan bahwa Marital Status merupakan atribut yang paling dominan, diikuti oleh Treatment, Anxiety, dan Panic Attack. Model menghasilkan akurasi sebesar 80,36%. Penelitian ini menunjukkan bahwa pendekatan yang digunakan tidak hanya mampu melakukan klasifikasi, tetapi juga mampu mengidentifikasi faktor dominan depresi pada Mahasiswa secara objektif.
Co-Authors Ahmad Rifai Akmar, Nur Salwa Fadia faizah, haniyah Ken Ditha Tania Muhammad Yusuf Rabbani, Muhammad Randy Saputra, Gerri Asa Satria, Eka Bayu Suandi, M. Theonady, Oktavio