Articles
<![CDATA[Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes ]]>
<![CDATA[Qisthiano, M Riski]]>;
<![CDATA[Kurniawan, Tri Basuki]]>;
<![CDATA[Negara, Edi Surya]]>;
<![CDATA[Akbar, Muhammad]]>
<![CDATA[ JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 5, No 3 (2021): Juli 2021 ]]>
Publisher : <![CDATA[STMIK Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/mib.v5i3.3030
<![CDATA[Many parameters affect the timeliness of student graduation, starting from the student's interest in certain majors, the type of class chosen, to the grades for each semester obtained. This is a determining factor in how students can graduate on time or not at the end of their education. So a model is needed to predict student graduation rates on time, using alumni data whose data is obtained from several universities in Palembang City. The model used is a Naïve Bayes algorithm which serves as a model for classification. The dataset used is alumni data that has been collected from several universities, while the attributes used are the Department, College, Class Type, Temporary IP Value from semester 1 to 4, graduation year, and college generation. Then from the attributes and models used, the researcher used the Python 3 programming language and the Jupyter Notebook tools to process the prepared dataset. Furthermore, the distribution of the dataset is divided by 70% for training data and 30% for testing data. To test the algorithmic process used by researchers using K-Fold Validation. The results of this study are the accuracy of the prediction model carried out, where the accuracy results obtained from the Python 3 programming language and the Naïve Bayes algorithm are 0.8103.]]>
<![CDATA[Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa ]]>
<![CDATA[M Riski Qisthiano]]>;
<![CDATA[Putri Armilia Prayesy]]>;
<![CDATA[Istiana Ruswita]]>
<![CDATA[ G-Tech: Jurnal Teknologi Terapan Vol 7 No 1 (2023): G-Tech, Vol. 7 No. 1 Januari 2023 ]]>
Publisher : <![CDATA[Universitas Islam Raden Rahmat, Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (398.644 KB)
|
DOI: 10.33379/gtech.v7i1.1850
<![CDATA[Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa, ada banyak faktor dan kriteria dalam mengukur kelulusan mahasiswa tersebut, serta menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Oleh sebab itu, maka dibutuhkan suatu metode klasifikasi untuk melakukan pengukuran terhadap data prediksi kelulusan tepat waktu, penulis menggunakan dataset yang berasal dari beberapa perguruan tinggi tersebar di Kota Palembang. Model yang digunakan ini menggunakan Decision Tree yang berfungsi sebagai salah satu metode untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan berasal dari perguruan tinggi di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasi adalah jurusan, perguruan tinggi setiap mahasiswa, jenis kelas pilihan, dan nilai setiap mahasiswa yang diambil mulai dari semester awal sampai semester ke 4, lalu ada data tahun kelulusan mahasiswa tersebut, beserta data tahun masuk dari mahasiswa tersebut. Setelah peneliti menentukan atribut data yang akan mejadi bagian dari proses klasifikasi, peneliti memilih menggunakan alat bantu Rapidminer dalam mengelola data klasifikasi dengan model decision tree. Proses berikutnya penguji menggunakan 5 kali proses uji K-Fold Validation dengan membagi dataset ke dalam training dan testing. Hasil penelitian ini merupakan akurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan metode Decision Tree yang memiliki hasil akurasi sebesar 87.93%.]]>
<![CDATA[KLASIFIKASI TERHADAP PREDIKSI KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) ]]>
<![CDATA[M Riski Qisthiano]]>
<![CDATA[ Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU) Vol 2 No 2 (2022): SEMNASTEKMU ]]>
Publisher : <![CDATA[Universitas Sains dan Teknologi Komputer ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.51903/semnastekmu.v2i1.170
<![CDATA[Dalam melakukan proses klasifikasi terhadap prediksi kelulusan mahasiswa tepat waktu adabanyak, kriteriayang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu faktordalam menentukan mahasiswa tersebut tepat atau tidaknya menyelesaikan studi. Maka dibutuhkan suatu modeluntuk melakukan kelasifikasi terhadap hasil prediksi tingkat kelulusan mahasiswa tepat waktu, denganmenggunakan dataset alumni yang datanya didapat dari beberapa kampus di Kota Palembang. Model yangdigunakan ini menggunakan Support Vector Machine (SVM) yang berfungsi sebagai salah satu model untukmelakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapaUniversitas atau Institusi yang ada di Kota Palembang, sedangkan kriteria untuk melakukan poses klasifikasiadalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yangdiambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk.Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaituRapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kaliproses uji K-Fold Validation dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakanakurasi dari hasil klasifikasi terhadap peridiksi yang didapat dari alat bantu Rapidminer dan model Support VectorMachine (SVM) yang memiliki hasil akurasi sebesar 85.06%.]]>
<![CDATA[Sistem Pakar SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN KARET BERBASIS ANDROID DENGAN METODE FORWARD CHAINING ]]>
<![CDATA[Imron, Ali]]>;
<![CDATA[Qisthiano, M Riski]]>
<![CDATA[ Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 2 No. 2 (2024): November ]]>
Publisher : <![CDATA[Yayasan Nuraini Ibrahim Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70248/jrsit.v2i2.1502
<![CDATA[The expert system for diagnosing rubber plant diseases is a system that works based on a collection of facts obtained from a rubber plant expert, from a collection of these facts it will be concluded as an answer to the existing facts. The system for finding conclusions from these facts uses an inference system in the form of forward chaining whose working system uses a rule base. The rule base consists of if and then, where if contains a collection of existing facts while then is a conclusion of the facts contained in if. The conclusion contained in then will be displayed as the result of the diagnosis in the expert system application for diagnosing rubber plant diseases based on android with the forward chaining method. The results of the conclusion of these facts can be used as an initial diagnosis of rubber plant diseases]]>
<![CDATA[AI IMPLEMENTASI TEKNOLOGI AI UNTUK SISTEM IDENTIFIKASI SPESIES HEWAN BERBASIS WEBSITE DENGAN PENDEKATAN MACHINE LEARNING ]]>
<![CDATA[Ayu Okta Pratiwi]]>;
<![CDATA[Qisthiano, M Riski]]>
<![CDATA[ Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 2 No. 2 (2024): November ]]>
Publisher : <![CDATA[Yayasan Nuraini Ibrahim Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini bertujuan untuk mengembangkan sistem identifikasi spesies hewan berbasis website menggunakan teknologi kecerdasan buatan (AI) dengan pendekatan machine learning. Sistem ini dirancang untuk mengenali spesies hewan secara otomatis melalui gambar atau foto yang diunggah pengguna. Menggunakan algoritma deep learning, sistem mampu menganalisis ciri visual hewan, seperti bentuk tubuh, warna, dan tekstur, kemudian mencocokkannya dengan database spesies yang telah tersedia. Pengguna akan menerima hasil identifikasi yang mencakup nama spesies serta informasi terkait, seperti habitat dan status konservasi. Sistem ini memberikan kemudahan akses bagi peneliti, ahli biologi, maupun masyarakat umum untuk mempelajari dan mengenali berbagai spesies hewan di sekitar mereka. Selain itu, halaman riwayat deteksi memungkinkan pengguna untuk melacak hasil identifikasi sebelumnya dan mengevaluasi kinerja sistem. Dengan akurasi tinggi dalam identifikasi, sistem ini menawarkan potensi besar dalam mendukung penelitian biologi, pendidikan, dan konservasi. Hasil penelitian ini menunjukkan bahwa penerapan AI dalam bidang identifikasi spesies hewan berbasis website dapat meningkatkan efektivitas dan efisiensi dalam mengenali spesies secara cepat dan akurat.]]>
<![CDATA[PERANCANGAN SISTEM E-KATALOG CEMERLANG KOMPUTER DENGAN PENDEKATAN METODE RAD ]]>
<![CDATA[Qisthiano, M Riski]]>;
<![CDATA[Imron, Ali]]>
<![CDATA[ Journal of Information Systems Management and Digital Business Vol. 1 No. 2 (2024): Januari ]]>
Publisher : <![CDATA[Yayasan Nuraini Ibrahim Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.59407/jismdb.v1i2.433
<![CDATA[The rapid development of information and communication technology has encouraged Cemerlang Computer, a company that provides services in the fields of hardware, maintenance, hardware repair, as well as applications and software, to continue to innovate. This research discusses the design of the Cemerlang Computer e-catalog system using the Rapid Application Development (RAD) method. This approach is expected to provide a competitive advantage by leveraging the development speed and flexibility of RAD. The e-catalog design process is focused on increasing the company's responsiveness to market changes, improving service quality, and strengthening customer interactions with products and services. This research describes in depth the RAD implementation process, providing a comprehensive understanding of the stages of its implementation, as well as its potential in optimizing the company's operational efficiency. The research results are expected to provide practical guidance for Cemerlang Computer in implementing adaptive e-catalog solutions, improving user experience, and responding to the dynamics of the information technology industry which continues to develop. Thus, this research contributes to a better understanding of e-catalog system design strategies that can be implemented by similar companies in facing the current digital era]]>
<![CDATA[DETEKSI TEPI PADA CITRA OBJEK BENDA MENGGUNAKAN ALGORITMA SOBEL DAN PREWITT DENGAN PYTHON ]]>
<![CDATA[Qisthiano, M Riski]]>;
<![CDATA[Pratiwi, Ayu Okta]]>
<![CDATA[ Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025) ]]>
Publisher : <![CDATA[Universitas Lampung ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23960/jitet.v13i2.6407
<![CDATA[Deteksi tepi merupakan salah satu teknik penting dalam pengolahan citra digital untuk mengekstraksi informasi bentuk dan struktur suatu objek. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Sobel dan Prewitt dalam mendeteksi tepi pada citra objek benda. Permasalahan yang dihadapi adalah bagaimana efektivitas kedua algoritma dalam menghasilkan deteksi tepi yang optimal pada berbagai jenis citra. Metode yang digunakan dalam penelitian ini meliputi pemrosesan citra dengan Python, penerapan algoritma Sobel dan Prewitt, serta evaluasi hasil berdasarkan kualitas deteksi tepi yang dihasilkan. Hasil penelitian menunjukkan bahwa algoritma Sobel menghasilkan tepi yang lebih tajam dengan kontras tinggi, sedangkan algoritma Prewitt lebih sensitif terhadap perubahan intensitas tetapi memiliki respon yang lebih lemah dibandingkan Sobel. Berdasarkan hasil eksperimen, algoritma Sobel lebih disarankan untuk citra dengan kontras tinggi, sementara algoritma Prewitt lebih sesuai untuk citra dengan gradasi halus. Penelitian ini diharapkan dapat memberikan wawasan bagi pengembangan lebih lanjut dalam analisis citra digital, terutama dalam aplikasi deteksi objek dan pengolahan gambar berbasis kecerdasan buatan]]>
<![CDATA[MODEL PEMBERDAYAAN MASYARAKAT BANYUASIN MELALUI BIMBINGAN MANDIRI DALAM INSTALASI JARINGAN LAN UNTUK MENDUKUNG AKSES INFORMASI ]]>
<![CDATA[Taramita, Sela]]>;
<![CDATA[Qisthiano, M Riski]]>
<![CDATA[ Jurnal Pengabdian Masyarakat Ilmu Komputer Vol. 2 No. 2 (2025): Mei ]]>
Publisher : <![CDATA[Yayasan Nuraini Ibrahim Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70248/jpmik.v2i2.2912
<![CDATA[This study aims to design and implement a community empowerment model in Banyuasin Regency through self-guided training in Local Area Network (LAN) installation to enhance independent and sustainable access to information. The lack of public understanding of networking technology and limited access to digital resources serve as the background for initiating a needs-based training approach. The method employed is a participatory approach involving technical workshops, field assistance, and post-training competency evaluations. The results show that self-guided training significantly improves participants' knowledge, skills, and independence in building and managing basic LAN infrastructure in their local environments. Consequently, the community gains easier access to educational resources, public services, and digital-based economic opportunities. This model can be replicated in other regions with similar conditions as a strategy for technology-based empowerment]]>
<![CDATA[PENERAPAN MODEL KLASIFIKASI NAÏVE BAYES UNTUK PREDIKSI MAHASISWA TEPAT WAKTU ]]>
<![CDATA[Qisthiano, M Riski]]>
<![CDATA[ Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 7, No 1 (2023): SEMNAS RISTEK 2023 ]]>
Publisher : <![CDATA[Universitas Indraprasta PGRI ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30998/semnasristek.v7i1.6266
<![CDATA[Banyak teknik pengukuran dalam prediksi mahasiswa tepat waktu, kriteria yang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu penentu bagaimana mahasiswa bisa lulus tepat waktu atau tidak di akhir pendidikannya. Maka dibutuhkan suatu model untuk melakukan prediksi tingkat kelulusan mahasiswa tepat waktu, dengan menggunakan data alumni yang datanya didapat dari beberapa Perguruan Tinggi di Kota Palembang. Model yang digunakan ini menggunakan algoritma Naïve Bayes yang berfungsi sebagai salah satu model untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapa Perguruan Tinggi, sedangkan kriteria dan attribut yang digunakan adalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yang diambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk. Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaitu Rapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kali uji validasi dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakan akurasi dari model prediksi yang dilakukan, yang dimana hasil akurasi yang didapat dari alat bantu Rapidminer dan algoritma Naïve Bayes adalah 0.8264.]]>
<![CDATA[DETEKSI TEPI PADA CITRA OBJEK BENDA MENGGUNAKAN ALGORITMA SOBEL DAN PREWITT DENGAN PYTHON ]]>
<![CDATA[Qisthiano, M Riski]]>;
<![CDATA[Pratiwi, Ayu Okta]]>
<![CDATA[ Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025) ]]>
Publisher : <![CDATA[Universitas Lampung ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23960/jitet.v13i2.6407
<![CDATA[Deteksi tepi merupakan salah satu teknik penting dalam pengolahan citra digital untuk mengekstraksi informasi bentuk dan struktur suatu objek. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Sobel dan Prewitt dalam mendeteksi tepi pada citra objek benda. Permasalahan yang dihadapi adalah bagaimana efektivitas kedua algoritma dalam menghasilkan deteksi tepi yang optimal pada berbagai jenis citra. Metode yang digunakan dalam penelitian ini meliputi pemrosesan citra dengan Python, penerapan algoritma Sobel dan Prewitt, serta evaluasi hasil berdasarkan kualitas deteksi tepi yang dihasilkan. Hasil penelitian menunjukkan bahwa algoritma Sobel menghasilkan tepi yang lebih tajam dengan kontras tinggi, sedangkan algoritma Prewitt lebih sensitif terhadap perubahan intensitas tetapi memiliki respon yang lebih lemah dibandingkan Sobel. Berdasarkan hasil eksperimen, algoritma Sobel lebih disarankan untuk citra dengan kontras tinggi, sementara algoritma Prewitt lebih sesuai untuk citra dengan gradasi halus. Penelitian ini diharapkan dapat memberikan wawasan bagi pengembangan lebih lanjut dalam analisis citra digital, terutama dalam aplikasi deteksi objek dan pengolahan gambar berbasis kecerdasan buatan]]>
