Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal IKRA-ITH Informatika : Jurnal Komputer dan Informatika
Leony Sinaga
Universitas HKBP Nommensen Pematang Siantar
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Clustering Tingkat Kemiskinan di Beberapa Kabupaten/Kota di Provinsi Sumatera Utara Menggunakan Algoritma K-Means (Data BPS Tahun 2020–2025) Monica Sari Batubara; Novita Sari Siagian; Leony Sinaga
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-informatika.v10i2.7092

Abstract

Kemiskinan tetap menjadi salah satu masalah sosial utama yang memengaruhi pembangunan daerah dan kesejahteraan masyarakat. Karakteristik kemiskinan yang berbeda di berbagai daerah memerlukan pendekatan pengelompokan yang tepat untuk mendukung perumusan kebijakan yang lebih tepat sasaran. Studi ini bertujuan untuk mengelompokkan beberapa kabupaten dan kota di Provinsi Sumatera Utara berdasarkan karakteristik kemiskinan menggunakan algoritma K-Means. Studi ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) untuk periode 2020–2025, termasuk tingkat kemiskinan, jumlah penduduk miskin, garis kemiskinan, indeks kesenjangan kemiskinan (P1), indeks keparahan kemiskinan (P2), dan Indeks Pembangunan Manusia (IPM). Penelitian ini mengikuti kerangka Knowledge Discovery in Databases (KDD) yang terdiri dari pemilihan data, pra-pemrosesan, normalisasi data, penentuan jumlah klaster optimal menggunakan Metode Elbow, pengelompokan menggunakan algoritma K-Means, dan evaluasi menggunakan Silhouette Score. Hasil menunjukkan bahwa jumlah klaster optimal adalah tiga. Klaster 1 terdiri dari Kabupaten Langkat dan Kabupaten Samosir dengan karakteristik kemiskinan yang relatif tinggi. Klaster 2 meliputi Kota Pematang Siantar dan Kabupaten Deli Serdang, yang memiliki karakteristik kemiskinan sedang. Sementara itu, Kota Medan membentuk klaster terpisah karena karakteristik perkotaannya, garis kemiskinan yang lebih tinggi, dan Indeks Pembangunan Manusia yang lebih tinggi dibandingkan dengan daerah lain. Temuan ini diharapkan dapat memberikan informasi yang bermanfaat bagi pemerintah daerah dalam merancang kebijakan pengentasan kemiskinan yang lebih efektif. Kata kunci: K-Means, Pengelompokan, Kemiskinan, Penambangan Data, Sumatera Utara.
Analisis Kinerja Algoritma Random Forest dalam Klasifikasi Kelulusan Mahasiswa Menggunakan Student Performance Dataset Leony Sinaga; Monica Sari Batubara; Novita Sari Siagian
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-informatika.v10i2.7093

Abstract

Perkembangan pesat pembelajaran mesin telah mendorong penerapannya di sektor pendidikan untuk mendukung pengambilan keputusan berbasis data, khususnya dalam klasifikasi kelulusan siswa. Studi ini bertujuan untuk mengimplementasikan algoritma Random Forest untuk mengklasifikasikan status kelulusan siswa menggunakan Dataset Kinerja Siswa. Penelitian ini menggunakan pendekatan eksperimental kuantitatif yang terdiri dari pra-pemrosesan data, membagi dataset menjadi data pelatihan (80%) dan data pengujian (20%), mengembangkan model klasifikasi Random Forest, dan mengevaluasi kinerjanya menggunakan Akurasi, Presisi, Recall, F1-Score, Area Under the Curve (AUC), dan Matriks Konfusi. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai Akurasi 89,87%, Presisi 90,21%, Recall 88,46%, F1-Score 89,33%, dan nilai AUC 0,94. Matriks Konfusi menunjukkan bahwa model tersebut mengklasifikasikan sebagian besar data dengan benar, dengan 29 True Negative, 42 True Positive, 3 False Positive, dan 5 False Negative. Temuan ini menunjukkan bahwa algoritma Random Forest memberikan kinerja yang baik, stabil, dan efektif dalam mengklasifikasikan kelulusan siswa berdasarkan data akademik. Studi ini diharapkan dapat menjadi referensi untuk implementasi pembelajaran mesin dalam mendukung pengambilan keputusan pendidikan, khususnya untuk identifikasi dini siswa yang berisiko mengalami keterlambatan kelulusan. Kata kunci: Random Forest, Pembelajaran Mesin, Klasifikasi, Kelulusan Mahasiswa, Evaluasi Model.
Klasifikasi Risiko Dropout Mahasiswa Menggunakan Algoritma Random Forest pada Dataset Predict Students' Dropout and Academic Success Novita Sari Siagian; Monica Sari Batubara; Leony Sinaga
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37817/ikraith-informatika.v10i2.7102

Abstract

The high rate of student dropout remains a significant challenge for higher education institutions because it affects graduate quality, educational effectiveness, and student retention. Therefore, an effective approach is required to identify students at risk of dropping out at an early stage based on available academic data. This study aims to classify student dropout risk using the Random Forest algorithm and the Predict Students’ Dropout and Academic Success dataset obtained from the UCI Machine Learning Repository. A quantitative approach was employed through several stages, including dataset collection, data cleaning, binary target transformation (Dropout and Non-Dropout), data partitioning, Random Forest model development, and model evaluation using 10-Fold Cross Validation. The dataset consists of 4,424 student records with 35 attributes, including 34 predictor attributes and one target attribute. Model performance was evaluated using Accuracy, Precision, Recall, F1-Score, Area Under the Curve (AUC), and Matthews Correlation Coefficient (MCC). The experimental results achieved an Accuracy of 86.1%, Precision of 85.8%, Recall of 86.1%, F1-Score of 85.8%, AUC of 0.902, and MCC of 0.673. The AUC value indicates excellent classification capability in distinguishing students at risk of dropping out from those who are not, while the MCC value demonstrates good predictive quality despite the class imbalance in the dataset. These findings indicate that the Random Forest algorithm provides strong classification performance and has the potential to be implemented as a decision support system for the early identification of students at risk of dropping out, enabling universities to provide timely academic interventions. Keywords: Random Forest, machine learning, student dropout, classification, academic data.
Co-Authors Monica Sari Batubara Novita Sari Siagian