Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Informatik : Jurnal Ilmu Komputer SKANIKA: Sistem Komputer dan Teknik Informatika
Syaiful Imron
Institut Teknologi Dan Bisnis PGRI Dewantara Jombang
Computer Science & IT Control & Systems Engineering Engineering

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

Found 2 Documents
Search

 1 
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA XGBOOST Syaiful Imron; Arbiati Faizah; Sugianto Sugianto
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v9i1.3647

Abstract

Student graduation times are often difficult to predict early, a major challenge facing institutions. Manual evaluations often fail to identify problematic students, leading to inaccurate graduation times that are detrimental to both students and institutions. This is crucial because study duration and timely graduation are important criteria in assessing institutional accreditation and quality. As an innovative solution, this study developed a graduation prediction model using the XGBoost and Random Forest algorithm, applying hyperparameter optimization techniques through Grid Search Cross Validation. The results showed that with default parameters, Random forest was superior to XGBoost. However, after hyperparameter tuning, XGBoost achieved better accuracy than Random Forest with a significant increase in accuracy, from 88.15% to 92.66% (precision 91.87%, recall 91.67%, and F1-score 91.38%). This confirms that appropriate hyperparameter tuning is a strategic key to maximizing the effectiveness of classification models. Thus, this model can be a tool for institutions to monitor and intervene early on in potential student delays.
Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah Arbiati Faizah; Syaiful Imron; Afny Rewur; Juan Natanel Makasunggal; pujo Hari Saputro
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11091

Abstract

Ekspresi wajah merupakan komponen penting dalam komunikasi nonverbal, karena mampu menyampaikan emosi tanpa perlu berkata-kata. Berbagai studi menyebutkan bahwa lebih dari 55% informasi emosional dalam komunikasi manusia disampaikan melalui ekspresi wajah. Dalam bidang pengolahan citra digital, klasifikasi ekspresi wajah menjadi salah satu tantangan yang banyak dikaji. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan empat ekspresi wajah: happy, sad, neutral, suprise. Data yang digunakan berasal dari dataset FER-2013 dengan 4000 gambar per kelas. Setiap citra melalui tahap preprocessing berupa konversi grayscale, normalisasi piksel, dan augmentasi data. Model Support Vector Machine (SVM) menghasilkan akurasi pelatihan sebesar 99,70%, namun akurasi validasinya hanya 41,47%, menandakan terjadinya overfitting. Sebaliknya, Convolutional Neural Network (CNN) memberikan hasil yang lebih stabil dengan akurasi pelatihan sebesar 85,08% dan akurasi validasi tertinggi mencapai 55,03%. Convolutional Neural Network (CNN) juga menunjukkan performa tertinggi dalam mengenali ekspresi suprise dengan akurasi 69%. Hasil penelitian ini menunjukkan bahwa Convolutional Neural Network (CNN) lebih unggul dalam mengenali pola visual kompleks dibandingkan Support Vector Machine (SVM). Dengan demikian, penelitian ini memberikan kontribusi dalam pemilihan metode klasifikasi citra wajah yang optimal dan relevan untuk implementasi sistem pengenalan ekspresi secara otomatis.
Co-Authors Afny Rewur Arbiati Faizah Juan Natanel Makasunggal Pujo Hari Saputro Sugianto Sugianto