Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

1.318

P-Index

This Author published in this journals

All Journal International Journal of Evaluation and Research in Education (IJERE) Cakrawala Pendidikan Jurnal Teknologi Informasi dan Ilmu Komputer Network Engineering Research Operation [NERO] Jurnal Sisfokom (Sistem Informasi dan Komputer) Systemic: Information System and Informatics Journal Jurnal SITECH : Sistem Informasi dan Teknologi Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)

Yusuf, Ahmad

Prodi Sistem Informasi Universitas Islam Negeri Sunan Ampel Surabaya

Author-ID : 1805889

Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 11 Documents Claim Missing Document

Claim Missing Document

Articles

1 2

Detection of potential errors in measurement results of madrasa admission instruments in Indonesia Ahmad Yusuf; Kusaeri Kusaeri; Ahmad Hidayatullah; Dian Candra Rini Novitasari; Ahmad Hanif Asyhar
International Journal of Evaluation and Research in Education (IJERE) Vol 10, No 4: December 2021
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijere.v10i4.21412

Madrasa (Islamic boarding school) in Indonesia have a strategic role in character building. At present madrasa education is still considered second class education. Besides, to improve the quality of madrasas can be started by improving the quality of the student national admission to all madrasas in Indonesia. This study aimed to trace the potential errors in the measurement results of Students National Admission of Madrasah Aliyah Negeri (SNPDB MAN-IC) 2020. Tracing was carried out on two aspects: i) Equality between test sets used based on evidence of test responses; and ii) Further tests on equality between question sets based on evidence of relationship between variables, taking into account the origin of the participating schools (MTs/JHS) and the origin of the participating regions (West, Central and East of Indonesia). This study involved 13,115 participants in 23 MAN-ICs throughout Indonesia in 2020. The materials tested comprised learning potential and academic ability (Mathematics, Natural Sciences, Social Studies, English, Arabic, and Islamic Religious Education). The study used achievement test with mathematics as a sample of test subjects. Based on the test response evidence, it was found that seven of the 15 questions were thought to have an indication of inequality between item sets. The results of tracing the evidence between variables indicated that it was the participants' origin of institutions that influenced the inequality between item sets. On the other hand, regional origin did not affect the inequality between item sets because the majority of participants came from the western region of Indonesia.

MODEL PREDIKSI KELULUSAN TEPAT WAKTU DENGAN METODE FUZZY C-MEANS DAN K-NEAREST NEIGHBORS MENGGUNAKAN DATA REGISTRASI MAHASISWA Silvana Puspa Nabila; Nurissaidah Ulinnuha; Ahmad Yusuf
Network Engineering Research Operation Vol 6, No 1 (2021): NERO
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/nero.v6i1.199

Kegiatan Penerimaan Mahasiswa Baru di tingkat perguruan tinggi setiap tahunnya merupakan suatu kegiatan yang wajib dilaksanakan untuk membuka awal tahun ajaran baru, salah satunya yakni di kampus Universitas Islam Negeri Sunan Ampel Surabaya (UINSA). Namun permasalahannya yakni, tidak semua mahasiswa dapat lulus secara tepat waktu sesuai dengan waktu tempuh kurikulum yang telah disusun, hal ini akan berpengaruh pada akreditasi perguruan tinggi. Untuk meminimalisir hal tersebut maka, pada penelitian ini akan diusulkan model prediksi dengan teknik data mining dan machine learning guna membantu memperbaiki konsep registrasi pada mahasiswa baru. Yakni dengan membuat model prediksi menggunakan metode FCM-KNN, konsep metode ini adalah pada tahap pengelompokkan dan pemberian label data digunakan FCM kemudian pada tahap penentuan jarak antar data digunakan KNN dengan hal tersebut maka jarak antara k-tetangga terdekat cukup dicari pada lingkup anggota kelompok data dalam satu cluster dan tidak perlu dibandingkan oleh data keseluruhan. Pada penelitian ini menggunakan data registrasi mahasiswa UINSA, kemudian pengujian skor akan digunakan confusion matrix dan k-fold cross validation. Hasil dari algoritma FCM-KNN didapatkan bahwa model prediksi dengan pengujian 10-fold cross validation dengan skenario k=1 mempunyai rata rata akurasi sebesar 71% kesimpulannya dengan seiring bertambahnya nilai K (tetangga terdekat) maka akan mempengaruhi nilai akurasi.

Komparasi Model Prediksi Daftar Ulang Calon Mahasiswa Baru Menggunakan Metode Decision Tree Dan Adaboost Muhammad Naufal Rabbani; Ahmad Yusuf; Dwi Rolliawati
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 10, No 1 (2021): MARCH
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v10i1.939

Every year, all the colleges hold new student enrollment. It is needed to start a new school academic year. Unfortunately, the number of students who resigned is considerably high to reach 837 students and caused 324 empty seats. The college’s stakeholders can minimize the resignation number if the selection phase of new students is done accurately. Making a machine learning-based model can be the answer. The model will help predict which candidates who potentially complete the enrollment process. By knowing it in the first place will help the management in the selection process. This prediction is based on historical data. Data is processed and used to train the model using the Adaboost algorithm. The performance comparison between Adaboost and Decision Tree model is performed to find the best model. To achieve the maximum performance of the model, feature selection is performed using chi-square calculation. The results of this research show that the performance of Decision Tree is lower than the performance of the Adaboost algorithm. The Adaboost model has f-measure score of 90.9%, precision 83.7%, and recall 99.5%. The process of analyzing the data distribution of prospective new students was also conducted. The results were obtained if prospective students who tended to finish the enrollment process had the following characteristics: graduated from an Islamic school, 19-21 years old, parents' income was IDR 1,000,000 to IDR. 5,000,000, and through the SBMPTN program.

Pengenalan Catatan Penjualan Menggunakan Pengenalan Angka Berbasis Korelasi Ahmad Yusuf
Systemic: Information System and Informatics Journal Vol. 1 No. 1 (2015): Agustus
Publisher : Program Studi Sistem Informasi Fakultas Sains dan Teknologi, UIN Sunan Ampel Surabaya

Catatan penjualan merupakan salah satu hal penting dalam proses berlangsungnya jual beli. Catatan penjualan yang terkomputerisasi akan lebih memudahkan dalam pemrosesannya. Catatan penjualan yang berupa tulisan tangan dapat komputerisasi dengan mengenali karakter-karakter angka pada citra dokumen catatan. Metode korelasi mampu melakukan pengenalan tulisan tangan terhadap nominal pada catatan penjualan.Metode korelasi merupakan metode sederhana dalam mengenali karakter angka. Berdasarkan hasil evaluasi, metode korelasi dapat mengenali angka dengan akurasi 73% dengan parameter tertentu. Beberapa kesalahan pengenalan dapat terjadi karena karakter yang dikenali tidak mendukung template yang digunakan seperti miring atau memiliki bentuk yang berbeda sigifinikan

Analisis Dampak Perubahan Perangkat Lunak Menggunakan Graf Relasi Fungsi-Atribut Ahmad Yusuf; Noor Wahyudi; Nita Yalina
Systemic: Information System and Informatics Journal Vol. 4 No. 1 (2018): Agustus
Publisher : Program Studi Sistem Informasi Fakultas Sains dan Teknologi, UIN Sunan Ampel Surabaya

Analisis dampak perubahan perangkat lunak merupakan sebuah teknik untuk melakukan estimasi dampak adanya perubahan komponen pada artifak perangkat lunak. Salah satu perubahan komponen artifak yang mungkin terjadi adalah artifak kode sumber. Analisis dampak perubahan ini bertujuan supaya ketika terjadi perubahan kode sumber dapat diestimasi sejauh mana perubahan itu berpengaruh ketika perubahan itu benar-benar diterapkan pada perangkat lunak yang dibangun. Penelitian ini mengusulkan sebuah metode baru untuk melakukan analisis dampak perubahan perangkat lunak dengan menggunakan graf relasi fungsi-atribut. Graf relasi fungsi-atribut terbentuk atas konsep matrik kohesi yang mengalami perluasan hingga pengaksesan atribut yang dipanggil oleh tiap fungsi sehingga dapat meningkatkan performa hasil analisis dampak perubahan perangkat lunak. Hasil pengujian terhadap aplikasi Java open source memperlihatkan bahwa metode ini mampu mendapatkan dampak perubahan yang lebih banyak dibandingkan metode graf panggil. Metode graf relasi mampu meningkatkan recall 2-3 persen dari dataset yang digunakan.

Klasifikasi Kelancaran Kredit Dengan Metode Random Forest Muhammad Irhamna Putra; Ahmad Yusuf; Nita Yalina
Systemic: Information System and Informatics Journal Vol. 5 No. 2 (2019): Desember
Publisher : Program Studi Sistem Informasi Fakultas Sains dan Teknologi, UIN Sunan Ampel Surabaya

This research contains the discussion the use of machine learning for doing prediction toward a good loan using random forest algorithm. This prediction will become basic reference for the bank to continue in evaluating credit risk. At this time, the absence of decision support system for doing prediction toward a good loan became a problem to the bank in attempt to reduce the credit risk. Therefore, a decision support system with machine learning modelling using random forest algorithm was built in predicting a good loan. Based on the result of this research, the prediction model being evaluated in several scenarios and having an average result 96,47%

Sistem Pendukung Keputusan Asesmen Rehabilitasi Narkotika Menggunakan Metode Random Forest Gesang Bekti Setyo Nugroho; Dwi Rolliawati; Ahmad Yusuf
Jurnal SITECH : Sistem Informasi dan Teknologi Vol 4, No 1 (2021): JURNAL SITECH VOLUME 4 NO 1 TAHUN 2021
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/sitech.v4i1.6201

Kurangnya tenaga ahli atau asesor pada BNN Kota Surabaya dalam melaksanakan asesmen menjadi dasar bagi peneliti untuk membuat sistem pendukung keputusan dengan menggunakan algoritma Random Forest. Sistem yang dibangun dengan memakai Rest API guna menghubungkan sistem dengan machine learning. Didapatkan hasil uji algoritma Random Forest yang menggunakan dua skenario, 100:100 mendapatkan hasil Accuracy 0.61. Sedangkan pada 70:30 mendapatkan hasil Accuracy 0.25. Dari hasil pengujian tersebut algoritma random forest memliki performa yang kurang baik pada penelitian ini, dikarenakan banyaknya jumlah dataset yang digunakan dalam melakukan prediksi. Black box testing digunakan untuk pengujian sistem dengan hasil, sistem layak unutk digunakan.

Komparasi Algoritma K-Means, K-Medoid, Agglomeartive Clustering Terhadap Genre Spotify Ana Rohmah Zaidah; Chandra Indira Septiarani; Mar’atus Sholikhatun Nisa; Ahmad Yusuf; Noor Wahyudi
JURNAL ILMU KOMPUTER Vol 7 No 1 (2021): Edisi April
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v7i1.186

Perkembangan teknologi di berbagai bidang kehidupan manusia berdampak pada kebutuhan manusia yang semakin kompleks seperti contohnya muncul layanan streaming musik yang bisa didengarkan dengan mudah dari berbagai platform. Platform streaming musik yang banyak digunakan saat ini salah satunya spotify.com, menurut berita yang dirilis kompas.com spotify yang mengalami kenaikan 130 juta pelanggan baru sejak pandemi, sebagai platform yang memiliki pengguna yang banyak perlu penelitian lebih lanjut tentang konten streaming musik untuk menawarkan user experience yang lebih baik dan upaya meningkatkan persaingan dengan platform streaming lain. Penelitian ini menggunakan data publik Global Top 50 yang dianalisis menggunakan algoritma k-means, k-medoid, agglomative clustering Berdasarkan hasil penelitian metode cluster terbaik yang digunakan untuk clustering lagu spotify adalah agglomerative hierarchical clustering metode Average Linked dengan 3 atau 4 klaster. Klaster paling direkomendasikan adalah sebesar 3 klaster karena klaster ke 4 hanya berisi 1 anggota saja. Pada pengelompokkan 3 klaster, klaster ke-1 berisi 2833 anggota, klaster ke-2 berisi 145 anggota, dan klaster ke-3 berisi 21 anggota.

Does opportunity to learn explain the math score gap between madrasah and non-madrasah students in Indonesia? Ahmad Umar; Kusaeri Kusaeri; Ali Ridho; Ahmad Yusuf; Ahmad Hanif Asyhar
Jurnal Cakrawala Pendidikan Vol 41, No 3 (2022): Cakrawala Pendidikan (October 2022)
Publisher : LPMPP Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/cp.v41i3.40169

The opportunity to learn (OTL) is one of the important aspects of achieving the goal of the learning process. There have been three dimensions of OTL: instructional time (IT), content covered during instruction (CC), and quality of instruction (QI) mentioned in the literature and used as a framework in this article. This study aims to reveal the gap in math ability between madrasah and non-madrasah students in Indonesia and the contribution of the three OTL aspects toward math scores. This study employed a cross-sectional survey approach with self-report instruments. The data were obtained from a survey of participants in the New Students National Selection for Madrasah Aliyah Negeri (Islamic High-school managed by the ministry of religious affairs) in 2021. There were 8,258 participants, consisting of 4,842 students from madrasah and 3,416 from non-madrasah. This study used multilevel structural equation modeling (SEM) to analyze the data. The findings show that (a) there is a gap in math ability score between madrasah and non-madrasah students which is -27, with a mean math ability score of madrasah students being lower than non- madrasah students, and (b) the time invested in learning significantly affects the occurrence of gaps in math ability scores, while the scope of the materials and the quality of learning do not affect the occurrence of the gap in math ability scores. These findings suggest that it is important for the Ministry of Religious Affairs to consider the addition of mathematical lesson duration in madrasah while restructuring the allocation for Islamic lessons.

Prediksi Kesiapan Sekolah Menggunakan Machine Learning Berbasis Kombinasi Adam dan Nesterov Momentum Indah Mustika Rahayu; Ahmad Yusuf; Mujib Ridwan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022955442

Kesiapan sekolah adalah aspek perkembangan anak yang berperan pada kemampuan anak untuk beradaptasi dalam sistematika pendidikan tingkat dasar. Berdasarkan Permendikbud, usia 7 tahun adalah usia yang tepat bagi anak masuk Sekolah Dasar, karena anak telah memiliki kesiapan fisik dan psikis untuk mengikuti proses pendidikan formal. Namun, setiap anak tidak memiliki kondisi yang sama pada usia tertentu. Sehingga, diperlukan Nijmeegse Schoolbekwaamheids Test (NST) untuk mengukur kesiapan sekolah. Instrumen NST hanya dapat digunakan oleh Biro Psikologi yang mempunyai kemampuan dalam melakukan asesmen psikologis. Sedangkan, guru serta orang tua yang memiliki peran dalam bentuk pemberian dukungan dan stimulasi pada anak tidak dapat menggunakan instrumen tersebut. Machine learning adalah teknik yang menggunakan algoritma untuk menemukan pola yang berguna dalam data. Berdasarkan data NST terdahulu, dapat dirancang model prediksi kesiapan sekolah yang akan memudahkan guru dan orang tua dalam mengetahui kesiapan anak untuk masuk Sekolah Dasar. Data penelitian adalah data administratif 225 siswa yang telah mengikuti tes kesiapan sekolah berbasis NST yang diselenggarakan oleh TK Ar-Rasyid pada tahun 2012-2018. Data administratif NST terdiri dari umur, jenis kelamin, urutan anak, jumlah saudara, status TK, pendidikan ayah, pendidikan ibu dan hasil kesiapan sekolah. Berdasarkan korelasi Chi-Square, variabel yang memiliki hubungan signifikan kuat terhadap hasil tes kesiapan sekolah adalah status TK, jumlah saudara dan umur anak dengan nilai p<.05. Penelitian menggunakan algoritma Artificial Neural Network dengan metode optimasi kombinasi Adam dan Nesterov Momentum. Pengujian menggunakan skenario 5-fold cross validation. Hasil penelitian menunjukkan bahwa kombinasi Adam dan Nesterov Momentum memiliki kinerja lebih baik daripada classical Adam dalam memprediksi kesiapan sekolah dengan akurasi 96% dan loss 0.06 dalam 1.98 seconds pada 10 neuron dan 1000 epochs. AbstractSchool readiness is an aspect of child development that plays a role in the child's ability to adapt in the systematics of elementary level education. Based on the Minister of Education and Culture, 7 years is the right age for children to enter elementary school, because children already have physical and psychological readiness to take part in the formal education process. However, every child does not have the same condition at a certain age. Thus, the Nijmeegse Schoolbekwaamheids Test (NST) is needed to measure school readiness. The NST instrument can only be used by the Psychology Bureau who has the ability to carry out psychological assessments. Meanwhile, teachers and parents who have a role in providing support and stimulation to children cannot use these instrument. Machine learning is a technique that uses algorithms to find useful patterns in data. Based on previous NST data, it can be designed as a school readiness prediction model that will facilitate teachers and parents in knowing the readiness of children to enter elementary school. Research data is administrative data of 225 students who have taken the NST-based school readiness test conducted by TK Ar-Rasyid in 2012-2018. NST administrative data consists of age, gender, child position, number of siblings, pre-elementary status, father education, mother education and school readiness results. Based on the Chi-Square correlation, variables that have a strong significant relationship to school readiness test results are pre-elementary status, number of siblings and age with p<.05. The research used Artificial Neural Network algorithms with a combination of Adam and Nesterov Momentum optimization method. Model testing used a 5-fold cross validation scenario. The results showed that the combination of Adam and Nesterov Momentum performed better than classical Adam in predicting school readiness with 96% accuracy and 0.06 loss in 1.98 seconds on 10 neurons and 1000 epochs.

Co-Authors Ahmad Hanif Asyhar Ahmad Hidayatullah Ahmad Umar Ali Ridho Ana Rohmah Zaidah Chandra Indira Septiarani Dwi Rolliawati Faris Mushlihul Amin Gesang Bekti Setyo Nugroho Indah Mustika Rahayu Kusaeri Kusaeri Mar’atus Sholikhatun Nisa Muhammad Irhamna Putra Muhammad Naufal Rabbani Muhammad Rizqi Nur Mujib Ridwan Noor Wahyudi Sari, Dian Candra Rini Novita Silvana Puspa Nabila Yalina, Nita

Title

Found 11 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 11 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 11 Documents
Search