Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Albert Adolf Angie MS
Universitas HKBP Nommensen Pematangsiantar
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Klasifikasi Prestasi Akademik Matematika Siswa Menggunakan Decision Tree pada Dataset Student Performance Elisabeth Jessica Sitanggang; Yeheskiel Ravena Damanik; Esther Laura Rumahorbo; Albert Adolf Angie MS
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12193

Abstract

Klasifikasi prestasi akademik dapat membantu sekolah mengidentifikasi siswa yang memerlukan perhatian dan dukungan pembelajaran secara lebih terarah. Penelitian ini bertujuan menerapkan algoritma Decision Tree untuk mengklasifikasikan prestasi akademik matematika siswa menggunakan dataset Student Performance yang diperoleh dari Kaggle dan bersumber dari UCI Machine Learning Repository. Dataset terdiri atas 395 data siswa dengan atribut demografis, keluarga, sekolah, sosial, perilaku, dan akademik. Variabel target dibentuk dari nilai akhir matematika G3 menjadi tiga kategori, yaitu Rendah untuk nilai 0-9, Sedang untuk nilai 10-14, dan Tinggi untuk nilai 15-20. Variabel G3 tidak digunakan sebagai prediktor guna mencegah kebocoran data, sedangkan G1 dan G2 tetap digunakan untuk merepresentasikan capaian akademik sebelumnya. Pemodelan dilakukan menggunakan Orange Data Mining dengan kedalaman maksimum pohon lima, minimum lima data pada setiap daun, dan kriteria penghentian ketika mayoritas kelas mencapai 95%. Evaluasi dilakukan melalui validasi silang 10 lipatan terstratifikasi menggunakan metrik AUC, akurasi, presisi, recall, F1-score, dan Matthews Correlation Coefficient. Hasil pengujian menunjukkan nilai AUC sebesar 0,934, akurasi 0,871, presisi 0,871, recall 0,871, F1-score 0,871, dan MCC 0,791. Confusion matrix menunjukkan 344 dari 395 data diklasifikasikan dengan benar. Struktur pohon menempatkan G2 sebagai atribut pemisah utama, diikuti G1 dan beberapa atribut pendukung. Temuan ini menunjukkan bahwa Decision Tree mampu menghasilkan klasifikasi yang akurat, transparan, dan mudah diinterpretasikan untuk mendukung analisis prestasi matematika siswa setelah nilai periode pertama dan kedua tersedia.
Prediksi Penyakit Parkinson Menggunakan Gradient Boosting Berbasis Orange Data Mining Albert Adolf Angie MS; Yeheskiel Ravena Damanik; Esther Laura Rumahorbo; Elisabeth Jessica Sitanggang
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12741

Abstract

Penyakit Parkinson merupakan gangguan neurodegeneratif yang memengaruhi sistem saraf dan kemampuan motorik sehingga deteksi dini sangat diperlukan untuk meningkatkan efektivitas penanganan. Penelitian ini bertujuan membangun model klasifikasi penyakit Parkinson menggunakan algoritma Gradient Boosting pada aplikasi Orange Data Mining. Dataset yang digunakan adalah Parkinson's Disease Dataset yang diperoleh dari Kaggle dan terdiri atas 195 data dengan 24 atribut, di mana atribut status digunakan sebagai target klasifikasi. Tahapan penelitian meliputi seleksi atribut, praproses data, pembangunan model, serta evaluasi menggunakan metode 5-Fold Cross Validation. Kinerja model diukur menggunakan metrik Accuracy, Area Under Curve (AUC), Precision, Recall, F1-Score, dan Matthews Correlation Coefficient (MCC). Hasil pengujian menunjukkan bahwa algoritma Gradient Boosting memperoleh nilai Accuracy sebesar 94,4%, AUC sebesar 0,980, Precision sebesar 94,4%, Recall sebesar 94,4%, F1-Score sebesar 0,942, dan MCC sebesar 0,845. Nilai tersebut menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam membedakan pasien Parkinson dan individu sehat. Dengan demikian, algoritma Gradient Boosting berpotensi diterapkan sebagai sistem pendukung keputusan untuk membantu proses deteksi dini penyakit Parkinson berbasis karakteristik suara.
Co-Authors Elisabeth Jessica Sitanggang Esther Laura Rumahorbo Yeheskiel Ravena Damanik