Article Per Year (5 Year)
p-Index From 2021 - 2026
5.672
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI PHILOSOPHICA Jurnal Bahasa, Sastra, dan Budaya Jurnal Pendidikan dan Konseling Sasando : Jurnal Bahasa, Sastra Indonesia, dan Pengajarannya Jurnal Ilmiah SEMANTIKA Jurnal Dinamika Informatika (JDI) Alinea: Jurnal Bahasa, Sastra, dan Pengajaran Jurnal Pengabdian Masyarakat dan Riset Pendidikan Journal of Innovative and Creativity Jurnal Intelek Dan Cendikiawan Nusantara Jurnal Intelek Insan Cendikia Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Al Maktabah Jurnal kajian Ilmu dan Perpustakaan
Asriyani, Wahyu
Universitas Pancasakti Tegal
Religion Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Social Sciences Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
Best Practices Meningkatkan Kemampuan Keterampilan Berbahasa Peserta Didik Dengan Metode Jaringan dalam Pembelajaran Bahasa Indonesia Lisa Nur Amelia; Rawoyo; Wahyu Asriyani
Sasando Vol 7 No 2 (2024): SASANDO OKTOBER 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24905/sasando.v7i2.267

Abstract

AbstrakPenelitian ini bertujuan untuk meningkatkan keterampilan berbahasa peserta didik dalam pembelajaran Bahasa Indoensia. Jenis penelitian ini adalah deskriptif kualitatif dengan pendekatan pengamatan kelas (Class observaer research) sebagai acuan dalam meneliti penerapan metode jaringan dalam pembelajaran Bahasa Indoneisa untuk meningkatkan kemampuan keterampilan berbahasa peserta didik. Pembelajaran bahasa Indonesia semestinya digunakan untuk memaksimalkan keterampilan berbahasa peserta didik yang terdiri dari menyimak, berbicara, membaca, dan menulis. Banyaknya peserta didik yang kurang mampu mengoptimalkan keterampilan berbahasanya dalam kegiatan pembelajaran dan rendahnya motvasi belajar peserta didik melatarbelakangi penelitian ini. Maka dari itu, penerapan metode jaringan dapat dijadikan alternatif dalam pembelajaran Bahasa Indonesia sebagai metode metode pembelajaran yang kreatif dan inovatif sehingga peserta didik mampu memahami dan menguasai materi pembelajaran dengan mudah.Kata Kunci : Keterampilan Berbahasa, metode pembelajaran, metode jaringan.
Prediksi Kelulusan Siswa Berdasarkan Data Demografis dan Akademik pada Dataset Student Performance: Penelitian Ramadhani Zidan Arifin; Hasbi Firmansyah; Wahyu Asriyani
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 2 (October 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i2.4251

Abstract

This study aims to predict student graduation outcomes by utilizing demographic and academic variables from the Student Performance Dataset. The analysis was conducted using the Logistic regression method, selected for its ability to handle binary outcomes and provide clear interpretability of predictor contributions. The research process included data preprocessing, removal of variables G1 and G2 to prevent data leakage, and conversion of the final grade (G3) into a binary graduation label. The model was evaluated using accuracy, logistic loss, and a confusion matrix to measure predictive reliability and classification stability. The results indicate that the model achieved an accuracy of 78.85% with a logistic loss value of 0.412, demonstrating stable performance and good generalizability. These findings suggest that simple demographic and academic attributes—such as age, study time, prior failures, and attendance—play a significant role in predicting graduation likelihood. Overall, the study confirms that Logistic regression is an effective approach for educational data analysis and can be utilized by schools to identify at-risk students and design more targeted instructional interventions.
Penerapan Data Mining untuk Prediksi Evaluasi Mobil dengan Metode Decision Tree Ahmad Ferdi Dwi Nugroho; Hasbi Firmansyah; Wahyu Asriyani
Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Vol. 3 No. 3 (2025): Vol. 3 No. 3 (2025): Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Volume 3 Nom
Publisher : PT PUSTAKA CENDEKIA GROUP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70292/pchukumsosial.v3i3.175

Abstract

The evaluation of motor vehicle acceptability is a multicriteria classification problem involving a complex set of qualitative attributes. This research aims to apply Data Mining techniques using the C4.5 Decision Tree Algorithm to predict the car evaluation outcome (Car Evaluation Dataset), categorized into unacceptable, acceptable, good, and very good classes. The classification model was constructed based on six categorical input attributes and implemented using RapidMiner Studio software with a 10-Fold Cross Validation scheme. The main objectives of this study were to measure the model's accuracy and to identify the priority sequence of attributes most influential in determining the car evaluation class. The test results show that the C4.5 model achieved an accuracy level of 92.94%. Furthermore, the model identified the Safety attribute as the most dominant factor affecting the evaluation outcome, followed by Persont These findings validate the effectiveness of the Decision Tree Algorithm in providing a predictive and interpretive solution for complex multicriteria scoring systems.
Implementasi K-Means untuk Mengelompokkan Mahasiswa Berdasarkan Risiko Dropout dan Prestasi Akademik Erza Rifa Nihayah; Hasbi Firmansyah; Wahyu Asriyani; Ria Indah Fitria
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengidentifikasi profil risiko akademik mahasiswa guna mencegah tingkat dropout melalui pendekatan Educational Data Mining (EDM). Masalah utama yang dihadapi institusi pendidikan adalah sulitnya memetakan mahasiswa yang membutuhkan intervensi segera di tengah besarnya volume data akademik. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering dengan kerangka kerja Knowledge Discovery in Databases (KDD). Dataset terdiri dari 4.424 observasi mahasiswa dengan atribut utama meliputi Rata-rata Nilai, Unit Gagal, dan Status Debitur. Optimasi jumlah klaster dilakukan menggunakan metode Elbow dan metrik Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa K=3 merupakan jumlah klaster paling optimal secara semantik untuk kebijakan institusi dengan nilai DBI -0,962. Klaster 1 (40,0%) dikategorikan sebagai Risiko Rendah (mahasiswa berprestasi), Klaster 2 (35,0%) sebagai Risiko Sedang (kelompok borderline), dan Klaster 3 (25,0%) sebagai Risiko Tinggi (potensi dropout). Temuan signifikan menunjukkan adanya korelasi kuat antara kendala finansial (status debitur tinggi) dengan kegagalan akademik pada Klaster 3. Hasil ini berimplikasi pada perlunya kebijakan Sistem Peringatan Dini (Early Warning System) yang mengintegrasikan bantuan finansial dan remedi akademik secara simultan
Analisis Kinerja Algoritma K-Nearest Neighbor dengan Variasi Validasi Untuk Prediksi Diabetes Mellitus Amelia Laura Ardianti; Hasbi Firmansyah; Wahyu Asriyani; Ria Indah Fitria
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes Mellitus ialah penyakit tidak menular dengan tingkat prevalensi yang terus meningkat, sehingga diperlukan metode prediksi yang akurat untuk mendukung upaya deteksi dini. Studi ini bertujuan menganalisis kinerja algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan status diabetes menggunakan dataset PIMA Indian Diabetes. Evaluasi model dilaksanakan dengan variasi nilai k, yaitu k = 3, 5, 7, 9, dan 11, serta dua teknik validasi, yaitu split data dengan proporsi 70% data latih serta 30% data uji serta 10-fold cross validation. Seluruh proses pemodelan dilakukan menggunakan RapidMiner Studio dengan penerapan normalisasi Min–Max. Kinerja model dievaluasi berlandaskan metrik akurasi, precision, recall, serta confusion matrix. Temuan studi mengindikasikan bahwasanya teknik 10-fold cross validation menghasilkan performa yang lebih stabil dan representatif dibandingkan teknik split data, dengan nilai akurasi tertinggi sebesar 73,84% pada k = 9 serta simpangan baku yang relatif kecil. Variasi nilai k terbukti memengaruhi kinerja algoritma KNN, di mana nilai k pada rentang menengah memberikan keseimbangan terbaik antara akurasi dan kemampuan deteksi kelas diabetes. Meskipun demikian, nilai recall pada kelas positif masih menunjukkan adanya potensi kesalahan false negative, sehingga model KNN dalam penelitian ini lebih tepat digunakan sebagai sistem pendukung keputusan untuk skrining awal Diabetes Mellitus.
Prediksi Performa Akademik Mahasiswa Menggunakan Support Vector Machine (SVM) pada RapidMiner Muhammad Hanif Fathurahman; Hasbi Firmansyah; Wahyu Asriyani; Eko Budi Raharjo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi performa akademik mahasiswa merupakan aspek penting dalam mendukung pengambilan keputusan berbasis data di perguruan tinggi. Identifikasi dini terhadap capaian akademik mahasiswa memungkinkan institusi pendidikan memberikan pendampingan dan intervensi akademik yang tepat. Penelitian ini bertujuan untuk memprediksi performa akademik mahasiswa menggunakan pendekatan machine learning dengan menerapkan algoritma Support Vector Machine (SVM) yang diimplementasikan pada RapidMiner. Dataset yang digunakan mencakup atribut personal mahasiswa, latar belakang keluarga, serta kebiasaan belajar sebagai variabel input, sedangkan nilai akhir mata kuliah digunakan sebagai variabel output. Metodologi penelitian meliputi tahap praproses data, pelatihan model, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model SVM menghasilkan nilai Root Mean Squared Error (RMSE) sebesar 3.217 ± 0.725 dengan micro average RMSE sebesar 3.296 ± 0.000, yang mengindikasikan performa prediksi yang stabil dan cukup baik. Pembahasan menunjukkan bahwa kebiasaan belajar dan faktor pendukung lainnya memiliki pengaruh yang signifikan terhadap performa akademik mahasiswa. Kesimpulan penelitian ini menyatakan bahwa penerapan algoritma Support Vector Machine pada RapidMiner efektif untuk memprediksi performa akademik mahasiswa serta memberikan dampak positif dalam pemantauan akademik dan perencanaan kebijakan pendidikan
Implementasi Metode Naïve Bayes Dalam Prediksi Kemenangan Pada Turnament Game Honor of King Mohamad Raffi Iskandar; Hasbi Firmansyah; Wahyu Asriyani; Eko Budiraharjo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan industri permainan sekarang membawa dampak yang signifikan, khususnya dalam permainan daring atau game online yang telah menjadi bagian dari gaya hidup kebanyakan masyarakat. Honor of king  merupakan sebuah permainan strategi dimana ada 2 buah tim dengan masing-masing tim memiliki 5 pemain yang saling bertarung dan menjaga tower-tower masing masing awalnya game ini dirilis pada tahun 2015 di China dan baru saja di luncurkan secara Global pada tahun 2024. Game ini bertemakan tentang sejarah China dan Fantasi.Pada penelitian ini metode Naïve Bayes Classifier digunakan dalam memprediksi status kemenangan pada game Honor of king. Data yang digunakan adalah data sekunder yang berasal dari youtube pertandingan salah satu hasil pertandingan eSport yaitu KPL 2023 yang menjadi semakin popular di kalangan penonton dan pemain. Variabel yang digunakan adalah Health Point, HP Regen, Physical Attack, Physical Defence, Reduce coldown, Magic defends dan Attack Speed. Tujuan dari penelitian ini adalah untuk mengimplementasikan metode Naïve Bayes dalam memprediksi kemenangan dalam permainan Honor of king  Metode Naïve Bayes dipilih karena keunggulannya dalam mengatasi masalah klasifikasi yaitu bisa menggunakan data yang besar dengan hasil yang didapatkan memiliki tingkat akurasi yang bagus. Pada penelitian ini hasil prediksi menunjukkan bahwa implementasi metode Naïve Bayes mampu memberikan tingkat akurasi sebesar 80,88% sehingga masuk kedalam kategori untuk kemenangan.
Implementasi RapidMiner untuk Klasifikasi Risiko Kanker Payudara Menggunakan Metode Naive Bayes Berbasis Cross Validation M.Fery Ardiansyah; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodho
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi kekambuhan (recurrence) kanker payudara pasca-mastektomi merupakan tantangan klinis yang kompleks karena melibatkan interaksi berbagai variabel biologis pasien. Ketidakpastian prognosis ini menuntut adanya sistem pendukung keputusan medis yang akurat untuk menentukan urgensi pengobatan lanjutan. Penelitian ini bertujuan untuk membangun model klasifikasi risiko kekambuhan menggunakan algoritma Naive Bayes Classifier, yang dipilih karena keunggulannya dalam menangani probabilitas bersyarat pada data atribut nominal. Dataset yang digunakan bersumber dari UCI Machine Learning Repository (Institute of Oncology, Ljubljana) yang terdiri dari 286 rekam medis, mencakup 9 atribut prediktor kategorikal seperti tumor-size, inv-nodes, dan deg-malig. Dataset ini memiliki tantangan berupa missing values dan ketidakseimbangan kelas (class imbalance), dengan proporsi 201 kasus no-recurrence berbanding 85 kasus recurrence. Penelitian ini menerapkan metodologi Knowledge Discovery in Database (KDD) menggunakan perangkat lunak RapidMiner Studio. Tahapan pra-pemrosesan meliputi penamaan atribut manual dan imputasi data yang hilang menggunakan modus statistik. Validasi model dilakukan secara ketat menggunakan metode 10-Fold Cross-Validation untuk meminimalisir bias evaluasi. Hasil eksperimen menunjukkan bahwa model Naive Bayes menghasilkan tingkat Akurasi sebesar [72,03 %], Presisi sebesar [78,14 %], dan Recall sebesar [83,58 %]. Tingginya nilai akurasi namun dengan variasi pada nilai recall mengindikasikan pengaruh ketidakseimbangan data terhadap sensitivitas model dalam mendeteksi kasus positif. Kesimpulannya, Naive Bayes terbukti efektif dan komputasional efisien untuk dataset medis berdimensi kecil dengan fitur kategorikal, namun teknik penyeimbang data (resampling) disarankan untuk penelitian lanjutan guna meningkatkan deteksi pada kelas minoritas.
Penerapan Model Klasifikasi Biner Menggunakan Regresi Logistik pada Dataset Kismis Armand Cahya Nugraha; Hasbi Firmansyah; Wahyu Asriyani; Riski Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam sektor pertanian presisi, penggunaan teknologi visi komputer menjadi solusi penting untuk menggantikan cara inspeksi manual. Penelitian ini fokus pada masalah pengelompokan varietas kismis Kecimen dan Besni yang sering tercampur karena kesamaan morfologi. Tujuan utama dari penelitian ini adalah untuk mengevaluasi seberapa efektif algoritma Logistic Regression dalam memprediksi jenis kismis serta menganalisis dampak fitur bentuk terhadap ketepatan klasifikasi. Dataset yang digunakan adalah Raisin Dataset yang berisi 900 contoh data. Proses pra-pemrosesan data mencakup normalisasi fitur dan penetapan peran atribut menggunakan perangkat lunak data mining RapidMiner. Tujuh fitur morfologis yang diambil dari gambar digital berfungsi sebagai variabel independen, yaitu luas area, keliling, panjang sumbu utama dan minor, eksentrisitas, luas cembung, dan jangkauan. Untuk evaluasi model, metode yang digunakan adalah Split Data dengan rasio 70:30, di mana 630 data dipakai untuk melatih model dan 270 data disiapkan untuk menguji kinerja. Hasil dari eksperimen menunjukkan bahwa model Logistic Regression mendapatkan akurasi keseluruhan sebesar 84,07%. Penilaian lebih lanjut dengan menggunakan Confusion Matrix mengungkapkan nilai Precision dan Recall yang seimbang di atas 80% untuk kedua kelas, yang menunjukkan bahwa model tidak menunjukkan bias yang signifikan terhadap salah satu dari varietas tersebut. Meskipun terdapat tingkat kesalahan klasifikasi sebesar 15,93%, angka tersebut masih bisa diterima mengingat kerumitan kesamaan biologis antar varietas. Hasil ini mendukung bahwa Logistic Regression, sebagai metode linear yang efisien secara komputasi, cukup kuat untuk digunakan dalam sistem penyortiran real-time dibandingkan dengan metode yang lebih kompleks dan lambat.
Implementasi Algoritma Artificial Neural Network (ANN) Untuk Klasifikasi Varietas Kismis Berdasarkan Fitur Morfologi Abrori Musafic Al Rasyid; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Industri pengolahan hasil pertanian, terutama kismis, menghadapi kesulitan dalam memilah varietas yang bagus seperti Kecimen dan Besni karena kedua jenis tersebut memiliki bentuk yang mirip. Cara penyortiran secara manual memakan waktu dan bisa salah akibat kesalahan manusia. Penelitian ini mencoba menggunakan algoritma Artificial Neural Network (ANN) untuk mengklasifikasikan jenis kismis secara otomatis berdasarkan karakteristik bentuknya. Data yang digunakan berasal dari UCI Machine Learning Repository, terdiri dari 900 sampel dengan 7 karakteristik bentuk, yaitu Area, Major Axis Length, Minor Axis Length, Eccentricity, Convex Area, Extent, dan Perimeter. Penelitian ini dilakukan dengan menggunakan perangkat lunak RapidMiner, dengan tahap pra-pemrosesan berupa normalisasi data (Z-transformation) untuk meningkatkan kinerja jaringan. Metode pengecekannya menggunakan 10-Fold Cross Validation. Hasil uji coba menunjukkan bahwa algoritma ANN mampu mengenali jenis kismis dengan akurasi sebesar 87.00% Hal ini membuktikan bahwa metode Neural Network efektif digunakan sebagai alternatif sistem cerdas dalam memperbaiki kualitas produk pertanian.
Co-Authors . Eko Budiraharjo Abrori Musafic Al Rasyid Afsun Aulia Afsun Aulia Nirmala Ahmad Ferdi Dwi Nugroho Ai Djamilatul Wahidah Aifa Inayati Ali Sofyan Amelia Laura Ardianti Aminatuz Zahro Arief Priyono Armand Cahya Nugraha Bimo Aryo Pangestu Burhan Eko Purwanto Chandra Pratama Putra Raharja Devina Anggraeni Eko Budi Raharjo Erza Rifa Nihayah Fauziah Elis Cholisatul Fifit Solihatun Fuada, Sania Fitra Hanjiyan Riyan Hidayat Hasbi Firmansyah Hasbi Firmansyah Hasby Firmansyah Ihya Bahrul Alam Inayah, Dwi Nita Laeli Intan Puspita Sari Irfandi Irfandi Khusnul Khotimah Kuncoro Singgih Prasojo Leli Triana Lisa Nur Amelia Lyswidia Andriarsih M.Fery Ardiansyah Mohamad Faris Fadil Mohamad Raffi Iskandar Mohamad Shofy Muhamad Aris Purwanto Muhammad Fiqih Ainurohman Muhammad Hanif Fathurahman Muhammad Rasyid Ridho Musthofa, Zaeny N Tahta Phudjashakty Panji Pangestu Saputra Priyo Haryoko Purwanto, Burhan Eko Rafli Juan Lauda Al Faiq Raihan Adyatma Ramadhani Zidan Arifin Rawoyo Ria indah fitria Ridlo, Muhammad Rasyid Riski Prasetyo Tulodo Rizki Prasetyo Tulodho Rizki Prasetyo Tulodo Sania Fitra Fuada Saputri, Yoandini Sari, Yulia Prima Sri Mulyati Sri Mulyati SRI UTAMI Sukanto Sutji Muljani Syamsul Anwar Syamsul Anwar Tri Mulyono Tri Mulyono Widiastuti Widiastuti Winda Gunansi Windi Listiyawati Yoandini Saputri Yosephus Arpan Polado Sinurat Yulia Prima Sari