La Ode Alyandi
Teknologi Informasi Institut Teknologi dan Bisnis Muhammadiyah Wakatobi

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

Found 2 Documents
Search

Perbandingan Algoritma K-Nearest Neighbour dan C4.5 Decision Tree Untuk Klasifikasi Penerima Bantuan Program Keluarga Harapan Kariyamin; La Ode Alyandi; Samsul Arif
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1353

Abstract

Program Keluarga Harapan (PKH) merupakan bantuan sosial bersyarat yang ditujukan bagi keluarga dengan kondisi ekonomi rentan. Tantangan utama dalam implementasinya adalah memastikan ketepatan sasaran penerima bantuan. Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan C4.5 dalam mengklasifikasikan kelayakan penerima PKH. Data penelitian diambil dari Dinas Sosial Kabupaten Wakatobi tahun 2023, kemudian melalui tahap praproses, pembagian data menggunakan K-Fold Cross Validation (K=7), serta pelatihan dan pengujian model dengan perangkat lunak RapidMiner. Evaluasi dilakukan berdasarkan akurasi, presisi, dan recall. Hasil analisis menunjukkan bahwa algoritma C4.5 memberikan kinerja lebih baik dengan akurasi 96,22%, presisi “YES” 95,71%, dan recall “YES” 94,89%. Sebaliknya, KNN memperoleh akurasi 81,44%, presisi “YES” 69,66%, dan recall “YES” 95,74%. Temuan ini menunjukkan bahwa C4.5 lebih efektif dan konsisten dalam mengklasifikasikan penerima bantuan dibandingkan KNN. Model pohon keputusan yang dihasilkan juga memberikan kejelasan logis terhadap faktor-faktor penentu kelayakan. Penelitian ini berpotensi dikembangkan melalui integrasi model ke dalam sistem berbasis web atau aplikasi untuk meningkatkan efisiensi proses seleksi penerima bantuan.
Prediksi Jumlah Kunjungan Wisatawan Nusantara ke Sulawesi Tenggara Menggunakan Pendekatan Machine Learning Kariyamin; Sry Faslia Hamka; Egi Dio Bagus Sudewo; La Ode Alyandi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1352

Abstract

Prediksi jumlah kunjungan wisatawan merupakan aspek penting dalam perencanaan dan pengambilan kebijakan di sektor pariwisata. Penelitian ini bertujuan untuk menganalisis perbandingan kinerja model Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM) dalam memprediksi jumlah kunjungan wisatawan nusantara ke Provinsi Sulawesi Tenggara. Data yang digunakan diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sulawesi Tenggara periode Januari 2018 hingga Desember 2023. Model SVR dan LSTM masing-masing diuji menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) untuk mengukur tingkat akurasi hasil prediksi. Hasil penelitian menunjukkan bahwa model SVR menghasilkan nilai RMSE dan MAE yang lebih rendah pada 13 dari 17 kabupaten/kota, sehingga memiliki tingkat akurasi yang lebih baik dibandingkan model LSTM. Sementara itu, LSTM cenderung lebih sensitif terhadap fluktuasi data yang ekstrem pascapandemi, sehingga menghasilkan prediksi yang kurang stabil. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model SVR lebih sesuai digunakan untuk memprediksi jumlah kunjungan wisatawan di wilayah dengan karakteristik data yang bersifat musiman dan fluktuatif seperti Sulawesi Tenggara. Temuan ini diharapkan dapat menjadi dasar dalam pengembangan sistem prediksi pariwisata berbasis machine learning yang lebih akurat dan adaptif.