Article Per Year (5 Year)
p-Index From 2021 - 2026
1.084
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering CommIT (Communication & Information Technology) Jurnal Teknologi Elektro JOIN (Jurnal Online Informatika) Jurnal Ilmiah KOMPUTASI International Journal of Artificial Intelligence Research Computer Science and Information Technologies Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen)
Wulandhari, Lili Ayu
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Ilmiah KOMPUTASI

 1 
Prediksi Kinerja Calon Mahasiswa Berdasarkan Nilai Seleksi Masuk Menggunakan Pendekatan Machine Learning Ariyanto, Sisia Dika; Wulandhari, Lili Ayu
Jurnal Ilmiah Komputasi Vol. 23 No. 2 (2024): Jurnal Ilmiah Komputasi : Vol. 23 No 2, Juni 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.23.2.3589

Abstract

Politeknik Astra menerapkan tes seleksi masuk dimana salah satu tahapan utamanya adalah Tes Potensi Akademik (TPA). TPA terdiri dari tujuh subtes. Panitia seleksi berkeinginan untuk melakukan perubahan menjadi efektif dan efisien dengan mengurangi jumlah subtes berdasarkan subtes yang paling berpengaruh. Untuk mengetahui subtes yang paling berpengaruh terhadap performa mahasiswa, digunakanlah Machine Learning . Pendekatan dilakukan dengan algoritma klasifikasi dan regresi. Hasil dari klasifikasi, algoritma Random Forest memberikan hasil terbaik. Selanjutnya untuk melihat fitur yang paling berpengaruh terhadap kelulusan seleksi masuk, dilakukan seleksi fitur dengan metode filter dan impurity-based . Tiga fitur terbaik diperoleh dari Prodi MI dan Non-MI. Selanjutnya dilakukan regresi dengan dua algoritma, yaitu Support Vector Regression (SVR) dan Neural Network Regression dengan konfigurasi 3, 5, dan model 7 fitur. Hasil terbaik konsisten dengan dua model data yaitu algoritma SVR dengan mean absolute error untuk Prodi MI 0.17 dan Non-MI 0.19. Hasilnya, model data dengan 3 fitur memiliki hasil terbaik untuk Prodi MI, artinya TPA dapat disederhanakan dengan tiga fitur, sedangkan pada Prodi Non MI, hasil terbaik pada tujuh fitur.
Co-Authors Alexander A. S. Gunawan, Alexander A. S. Arie Qur’ania Ariyanto, Sisia Dika Asih, Kuri Firdaus, Gusti Aditya Aromatica Hutajulu, Kristina Ngesthi, Stephany Octaviani Prihastuti Harsani Tatulus, Raffael Lucas Triastinurmiatiningsih, Triastinurmiatiningsih Wibowo, Bagaskara Putra