Article Per Year (5 Year)
p-Index From 2020 - 2025
3.329
P-Index
This Author published in this journals
All Journal Jurnal Algoritma Jurnal Informatika dan Teknik Elektro Terapan PROCEEDING IC-ITECHS 2014 SMARTICS Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING INTECOMS: Journal of Information Technology and Computer Science Jiko (Jurnal Informatika dan komputer) KOMPUTIKA - Jurnal Sistem Komputer JIKA (Jurnal Informatika) Infotech: Journal of Technology Information SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Pendidikan dan Teknologi Indonesia Jurnal Algoritma Proceeding of International Conference Health, Science And Technology (ICOHETECH) Journal of Software Engineering and Information System (SEIS) SmartComp
Pradana, Afu Ichsan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Medicine & Pharmacology

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JIKA (Jurnal Informatika)

 1 
PERBANDINGAN DATA UNTUK MEMPREDIKSI KETEPATAN STUDI BERDASARKAN ATRIBUT KELUARGA MENGGUNAKAN MACHINE LEARNING Wijiyanto, Wijiyanto; Pradana, Afu Ichsan; Sopingi, Sopingi
Jurnal Informatika Vol 8, No 2 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i2.10752

Abstract

Keberhasilan mahasiswa dalam menyelesaikan pendidikan tepat waktu merupakan tujuan yang penting. Berbagai faktor dapat memengaruhi keberhasilan ini, termasuk faktor non-akademik seperti data keluarga. Data yang digunakan berasal dari FIKOM-UDB dengan 365 record dan 11 atribut, di antaranya satu atribut berperan sebagai label (class). Data tersebut diproses menggunakan algoritma machine learning menggunakan pemodelan naïve bayes dan neural network. Sebelumnya, data dibagi menjadi data latih dan data uji dengan perbandingan prosentase yang berbeda, yaitu 90:10, 80:20, 70:30, 60:40, dan 50:50, untuk mencari kinerja terbaik berdasarkan nilai akurasi. Evaluasi menggunakan confusion matrix menghasilkan performa terbaik untuk naïve bayes dengan perbandingan 80:20, mencapai nilai akurasi sebesar 92%, precision 0.93, recall 0.98, dan F1-score 0.96. Sementara untuk neural network, performa terbaik terdapat pada perbandingan 50:50 dengan nilai akurasi sebesar 91%, precision 0.93, recall 0.97, dan F1-score 0.95. Hasil menunjukkan bahwa performa terendah untuk naïve bayes terjadi pada perbandingan 90:10, sementara untuk neural network terjadi pada perbandingan 80:20. Dengan demikian, algoritma naïve bayes menunjukkan performa yang lebih baik dibandingkan neural network sehingga, Fakultas dapat menerapkan model naïve bayes dalam memprediksi mahasiswa dalam rangka untuk mengantisipasi dan mengatasi permasalahan yang timbul terkait kelulusan mahasiswa dengan tepat waktu.
Co-Authors Aboobaider, Burhanuddin bin Mohd Aji, Sindhu Purnomo Akmal, Baasith Khoiruddin arsanto, arsanto Ashidiqi, Andhyka Yoga Atina, Vihi Azizah, Shelvi Dwi Hartanti Harjanto, Prabandaru Pramu Harsanto Harsanto, Harsanto Harsanto, Malika Insaan, Nashiirotul Junantoro, Hagai Kusuma, Adri Surya Maulindar, Joni Nugroho, Nasrun Nurchim Nurchim Pamekas, Bondan Wahyu Permana, Aditya Candra Permatasari, Hanifah Pipin Widyaningsih Pratama, Fandi Aziz Putra, Enggar Wijaya Putra, Wihan Perkasa Nugraha Rakadipa, Dhimas Arya Rengga, Nikodemos Rifky, Raja Saputra, Ilham Tristadika Setiawan, Gilang Sopingi Sopingi, Sopingi Tory, Alfa Rado Andre Yusa Saka Wahyudi Wahyudi Wijanarko, Restu Gilang Wiji Lestari Wijiyanto Wijiyanto, Wijiyanto Yusuf Maulana, Yusuf