Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal International Journal Software Engineering and Computer Science (IJSECS) Jurnal Informatika Progres
Labolo, Abdul Yunus
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
K-Nearest Neighbor for Gorontalo City Chili Price Prediction Using Feature Selection, Backward Elimination, and Forward Selection Labolo, Abdul Yunus; Utiarahman, Siti Andini; Lasulika, Mohamad Efendi; Drajana, Ivo Colanus Rally; Bode, Andi
International Journal Software Engineering and Computer Science (IJSECS) Vol. 3 No. 3 (2023): DECEMBER 2023
Publisher : Lembaga Komunitas Informasi Teknologi Aceh (KITA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/ijsecs.v3i3.1709

Abstract

This study addresses chili price volatility, an important concern that impacts the national economy and societal welfare. Fluctuations in chili prices in the retail market greatly influence market demand, thereby influencing farming decisions, especially chili cultivation. To help make better decisions, Researchers use forecasting, which is defined as the projection of future trends based on the analysis of historical data, using statistical methods. The K-Nearest Neighbor (K-NN) algorithm is used because of its resistance to high noise on large training datasets. However, challenges arise in determining the optimal value of 'k' and selecting related attributes. To overcome this, Feature Selection is applied to refine the model by removing irrelevant features, resulting in a significant reduction in the model error rate. This improvement indicates an increase in the efficiency of the K-NN algorithm with the incorporation of Feature Selection. Our findings show that the model, with backward elimination in Feature Selection, achieves a Root Mean Square Error (RMSE) of 0.202, outperforming the model using forward selection. The prediction accuracy of this model reaches an average of 78.86%, which is much higher than the baseline data of 50%. This shows the success of the proposed method in predicting chili prices.
OPTIMASI PROMPT ENGINEERING SEBAGAI STRATEGI PENINGKATAN KOGNITIF: STUDI EKSPERIMEN PADA PEMBELAJARAN ALGORITMA DAN PEMROGRAMAN Gaffar, Abdul Majid; Bahrin; Labolo, Abdul Yunus; Purnomo, Zulkarnain S.; Daeng Kuma, Kristalicia Clarita; Saharuddin
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i1.544

Abstract

Penetrasi ChatGPT di lingkungan akademik telah memicu kekhawatiran mengenai penurunan kemampuan berpikir kritis mahasiswa akibat ketergantungan pada jawaban instan. Penelitian ini bertujuan untuk menguji efektivitas optimasi prompt engineering (teknik pemberian instruksi terstruktur) sebagai strategi untuk meningkatkan kemampuan kognitif mahasiswa pada mata kuliah Algoritma dan Pemrograman. Dengan menggunakan metode eksperimen murni (True Experimental Design), penelitian ini melibatkan 60 mahasiswa Program Studi Teknologi Informasi yang dibagi ke dalam kelompok eksperimen dan kelompok kontrol. Kelompok eksperimen diberikan intervensi berupa panduan prompting menggunakan teknik Chain-of-Thought (CoT) dan Socratic Prompting, sementara kelompok kontrol menggunakan ChatGPT secara bebas. Hasil penelitian menunjukkan adanya perbedaan signifikan pada nilai post-test antara kedua kelompok ($p < 0,05$), dengan rata-rata kelompok eksperimen (82,5) jauh melampaui kelompok kontrol (64,2). Analisis N-Gain Score menunjukkan bahwa kelompok eksperimen mengalami peningkatan kognitif kategori "Tinggi" (0,71). Temuan ini membuktikan bahwa optimasi prompting mampu mengubah peran AI dari mesin penjawab otomatis menjadi mitra dialog kognitif yang merangsang logika berpikir. Penelitian ini memberikan implikasi bagi dosen muda untuk mengintegrasikan literasi prompting dalam kurikulum sebagai strategi mitigasi terhadap risiko adiksi teknologi tanpa mengorbankan efisiensi AI.
Co-Authors Andi Bode Bahrin Daeng Kuma, Kristalicia Clarita Drajana, Ivo Colanus Rally Gaffar, Abdul Majid Mohamad Efendi Lasulika Purnomo, Zulkarnain S. S. Adam, Muh. Wahyuddin Saharuddin Utiarahman, Siti Andini