Article Per Year (5 Year)
p-Index From 2021 - 2026
1.8
P-Index
This Author published in this journals
All Journal Jurnal Simetris E-Dimas: Jurnal Pengabdian kepada Masyarakat Jurnal DISPROTEK Indonesian Journal of Community Services Jurnal Informatika dan Rekayasa Perangkat Lunak JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) TIN: TERAPAN INFORMATIKA NUSANTARA Abdi Kami : Jurnal Pengabdian Kepada Masyarakat
Maori, Nadia Annisa
Unknown Affiliation
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Veterinary Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Simetris

 1 
Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering Maori, Nadia Annisa; Evanita, Evanita
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 14, No 2 (2023): JURNAL SIMETRIS VOLUME 14 NO 2 TAHUN 2023
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v14i2.9630

Abstract

K-Means clustering merupakan salah satu strategi yang digunakan dalam analisis data dan machine learning untuk mengelompokkan data menjadi beberapa kelompok (cluster) berdasarkan kemiripan fitur atau atributnya. Metode ini bertujuan untuk meminimalkan jarak antara data dalam satu kelompok dan memaksimalkan jarak antara kelompok yang berbeda. Metode elbow merupakan sebuah metode yang diterapkan pada k-means clustering untuk menentukan jumlah optimal dari cluster yang akan dibentuk. Metode elbow membantu dalam menentukan jumlah cluster yang tepat untuk data tertentu. Data yang digunakan dalam penelitian ini adalah data penerima PKH di wilayah Kabupaten Jepara tahun 2022. Tujuan penelitian ini adalah untuk mendapatkan jumlah cluster optimal dalam melakukan pengelompokkan penerima PKH, sehingga dapat mengetahui desa yang paling banyak dijumpai pada penerima PKH di Kabupaten Jepara, agar penerima PKH yang mendapatkan lebih optimal dan tepat sasaran. Hasil penelitian setelah dilakukan pengujian dari jumlah k=2 sampai dengan k=6, didapatkan jumlah cluster terbaik menggunakan optimasi metode elbow terdapat pada jumlah cluster sebanyak 3 (k=3) dan didukung dengan nilai Davies Bouldin Index (DBI) sebesar 0.554. Pada cluster_0 terdapat 63 desa, cluster_1 terdapat 127 desa, dan cluster­_2 terdapat 5 desa yang memiliki penerima PKH lebih dari 900 rumah tangga dan lansia menjadi komponen penerima PKH Kabupaten Jepara yang paling dominan. Hasil pengelompokkan ini diharapkan dapat memudahkan dalam menentukan penerima PKH yang tepat sasaran.
Metode Single Linkage pada Agglomerative Hierarchical Clustering dalam Penentuan Tingkat Kepuasan Mahasiswa terhadap Layanan Akademik Maori, Nadia Annisa; Mulyo, Harminto
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 15, No 2 (2024): JURNAL SIMETRIS VOLUME 15 NO 2 TAHUN 2024
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v15i2.12788

Abstract

Dalam era pendidikan modern, penting bagi institusi akademik untuk memahami dan meningkatkan kepuasan mahasiswa terhadap layanan akademik yang diberikan. Tingkat kepuasan ini berperan penting dalam menilai kualitas pendidikan, pengalaman belajar, serta reputasi dan daya saing institusi. Dengan kemajuan teknologi dan peningkatan pengumpulan data, analisis data menjadi krusial untuk memahami persepsi dan kebutuhan mahasiswa. Penelitian ini menggunakan teknik Agglomerative Hierarchical Clustering (AHC) dengan metode Single Linkage untuk mengelompokkan data survei kepuasan mahasiswa terhadap layanan akademik di Program Studi Teknik Informatika UNISNU Jepara. Metode ini dipilih karena tidak memerlukan penentuan jumlah klaster sebelumnya dan cocok untuk data dengan struktur yang tidak teratur.Hasil penelitian menunjukkan bahwa AHC dengan Single Linkage efektif dalam mengidentifikasi dua kelompok mahasiswa berdasarkan tingkat kepuasan mereka, yaitu puas dan tidak puas. Evaluasi menggunakan Silhouette Coefficient menunjukkan nilai tertinggi 0.80 untuk dua klaster mengindikasikan bahwa pengelompokan ini cukup baik. Visualisasi dendrogram memberikan wawasan tambahan tentang struktur klaster dan hubungan antar data. Penelitian ini memberikan kontribusi penting untuk pemahaman tentang kepuasan mahasiswa dan dasar untuk pengembangan strategi peningkatan kualitas layanan akademik di masa depan. Metode AHC dengan pendekatan Single Linkage terbukti efisien dalam mengelompokkan data berdasarkan jarak terdekat antar objek dalam klaster, meskipun sensitif terhadap outlier dan efek chaining.
Analisis Sentimen Evaluasi Mahasiswa terhadap Layanan di UNISNU Jepara menggunakan Algoritma Support Vector Machine Azizah, Noor; Wibowo, Adi; Warsito, Budi; Maori, Nadia Annisa
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 16, No 1 (2025): JURNAL SIMETRIS VOLUME 16 NO 1 TAHUN 2025
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v16i1.14540

Abstract

Peningkatan kualitas layanan di perguruan tinggi menjadi salah satu fokus utama dalam dunia pendidikan. Evaluasi layanan oleh mahasiswa sering kali mencakup komentar dalam bentuk teks bebas, sehingga memerlukan pendekatan berbasis kecerdasan buatan untuk mengolah data secara efisien dan akurat. Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa terhadap tiga layanan utama di UNISNU Jepara, yaitu layanan akademik, beasiswa, dan perpustakaan, menggunakan algoritma Support Vector Machine (SVM).Penelitian ini mengikuti tahapan metodologi CRISP-DM, meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, serta penarikan kesimpulan. Data yang digunakan berasal dari hasil evaluasi berbentuk komentar terbuka yang dikumpulkan melalui sistem SIAKAD. Data tersebut diproses melalui tahapan text preprocessing sebelum diterapkan algoritma SVM untuk klasifikasi sentimen.Hasil penelitian menunjukkan bahwa algoritma SVM mampu memberikan tingkat akurasi tinggi pada analisis sentimen terhadap ketiga jenis layanan, yaitu 95,8% untuk layanan akademik, 95,7% untuk layanan beasiswa, dan 98,4% untuk layanan perpustakaan. Temuan ini mengindikasikan bahwa algoritma SVM merupakan metode yang efektif untuk analisis sentimen dalam konteks data tidak terstruktur, serta memberikan wawasan strategis yang dapat membantu perguruan tinggi meningkatkan kualitas layanan mereka..
Co-Authors Abthol, Muhammad Rijalul Adi Wibowo Ahmat Wakit Andriansyach, Dimas Jordy Budi Warsito Evanita Evanita, Evanita Joko Minardi, Joko Mulyo, Harminto Noor Azizah Noor Nailie Azzat Nur Aeni Widiastuti Sowabi, Nur Kholis Taqwimi, Muhammad Ahsani Nur Wibowo, Gentur Wahyu Nyipto