Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal IC Tech: Majalah Ilmiah IC Tech: Majalah Ilmiah
Aribowo, Dadang
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : IC Tech: Majalah Ilmiah

 1 
Analisa Komparasi Algoritma Data Mining untuk Klasifikasi Heregistrasi Calon Mahasiswa STMIK Widya Pratama Aribowo, Dadang; Setiadi, Aris Ekyanto Heru
IC Tech: Majalah Ilmiah Vol 13 No 2 (2018): IC Tech: Majalah Ilmiah Volume XIII No. 2 Oktober 2018
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v13i2.30

Abstract

Mahasiswa merupakan aset yang paling berharga dalam sebuah perguruan tinggi swasta (PTS). Karena sebagian besar pendapatan serta biaya operasional PTS didapatkan dari mahasiswa. Banyaknya mahasiswa yang melakukan heregistrasi jelas akan menjadi angin segar bagi lembaga. Dalam 5 tahun terakhir tercatat sekitar 20% mahasiswa STMIK Widya Pratama tidak melakukan heregistrasi. Pengetahuan dini terhadap calon mahasiswa yang mungkin tidak akan melakukan heregistrasi dapat menjadi acuan lembaga untuk melakukan tindakan guna mempertahankan mahasiswa. Pencatatan data mahasiswa yang tersusun rapi dapat digunakan pihak manajemen untuk melakukan analisa terhadap karakteristik serta penyebab mahasiswa tidak melakukan heregistrasi. Data mining dapat mengolah data lampau menjadi sebuah informasi atau pengetahuan baru. Dalam data mining terdapat satu fungsi mayor yaitu klasifikasi yang mengolah data training untuk menghitung data baru / data testing. Metode atau algoritma yang dapat digunakan dalam proses klasifikasi sangat banyak dengan berbagai macam karakteristik masing-masing. Beberapa algoritma klasifikasi terbaik antara lain naive bayes, knn, serta C4.5. Hasil penelitian menunjukkan bahwa ketiga algoritma yaitu knn, naive bayes serta decission tree C45 dapat digunakan untuk melakukan klasifikasi heregistrasi calon mahasiswa. Tingkat akurasi algoritma decission tree C45 merupakan yang terbaik yaitu 80,72% diikuti algoritma knn dengan tingkat akurasi 80,46%. Sedangkan tingkat akurasi naive bayes merupakan yang terendah dengan 74,49%.
Analisa Kepentingan atribut data pada Klasifikasi Heregistrasi Mahasiswa STMIK Widya Pratama Aribowo, Dadang; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 14 No 2 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 2 Oktober 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i2.56

Abstract

Mahasiswa merupakan aset  yang paling berharga dalam sebuah perguruan tinggi swasta (PTS). Karena  sebagian  besar  pendapatan  serta  biaya  operasional  PTS  didapatkan  dari  mahasiswa. Banyaknya mahasiswa yang melakukan heregistrasi jelas akan menjadi angin segar bagi lembaga. Dalam  5  tahun  terakhir  tercatat  sekitar  20%  calon  mahasiswa  STMIK  Widya  Pratama  tidak melakukan heregistrasi. Data terakhir pada 31 Agustus 2018 tercatat ada 32,7% pendaftar belum melakukan  heregistrasi.  Penurunan  jumlah  mahasiswa  dapat  mempengaruhi  stabilitas  keuangan lembaga  utamanya  sekolah  tinggi  swasta.  Analisa  terhadap  algoritma  terbaik  untuk  klasifikasi heregistrasi mahasiswa pernah dilakukan dan membuktikan bahwa decision tree C45 merupakan algoritma  dengan  tingkat  akurasi  terbaik.  Pengetahuan  dini  terhadap  calon  mahasiswa  yang mungkin  tidak  akan  melakukan  heregistrasi  dapat  menjadi  acuan  lembaga  untuk  melakukan tindakan guna mempertahankan mahasiswa. Pencatatan data mahasiswa yang tersusun rapi dapat digunakan  pihak  manajemen  untuk  melakukan  analisa  terhadap  karakteristik  serta  penyebab mahasiswa tidak melakukan heregistrasi.  Penelitian ini akan melakukan analisa terhadap semua data  dan  atribut  data  yang  ada.  Metode  yang  digunakan  dalam  pembobotan  adalah  information gain  yang  telah  terbukti  dapat  mengatasi  dataset  dengan  jenis  atribut  yang  banyak. Hasil dari penelitian ini menyimpulkan bahwa atribut pekerjaan orang tua merupakan atribut dengan tingkat kepentingan tertinggi. Sedangkan atribut status sipil merupakan atribut dengan tingkat kepentingan paling rendah.
Co-Authors Ivandari, Ivandari Setiadi, Aris Ekyanto Heru