Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JSR : Jaringan Sistem Informasi Robotik Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Mirajdandi, Syahisro
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Sistem Pendukung Keputusan Penilaian Dinas Dukcapil Terbaik Dalam Penyelenggaraan Administrasi Kependudukan Menggunakan Metode SAW Mirajdandi, Syahisro
JSR : Jaringan Sistem Informasi Robotik Vol 9, No 2 (2025): JSR:Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v9i2.515

Abstract

Sistem Pendukung Keputusan (SPK) merupakan alat penting dalam membantu pengambilan keputusan yang lebih efisien dan akurat di berbagai bidang, termasuk dalam penilaian kinerja Dinas Kependudukan dan Pencatatan Sipil. Terciptanya pelayanan yang baik dan nayaman pada Dinas Kependudukan dan Pencatatan Sipil Provinsi Sumatera Barat menjadi perhatian guna terselenggaranya pelayanan yang berkualitas. Namun pada faktanya Dinas Dukcapil Provinsi Sumatera Barat belum sistem dalam penilaian terhadap sistem pelayanan yang ada. Berdasarkan hal tersebut maka tujuan penelitian ini adalah untuk melakukan penilaian terhadap sistem pelayanan pada Dinas Dukcapil dalam penyelenggaraan administrasi kependudukan. Metode yang digunakan dalam proses penilaian mengadopsi kinerja Simple Additive Weighting (SAW) pada konsep SPK. Kinerja SAW mampu menyajikan hasil yang dapat memberikan rekomendasi dalam pengambilan keputusan. Hasil kinerja SAM mampu menyajikan hasil analisa dengan menampilkan alternatif yang diperoleh berdasarkan proses perangkingan. Berdasarkan hasil eksperimen yang dilakukan maka keluaran SAW memberikan tingkat ketepatan analisis dalam penilaian kualitas pelayanan terbaik sebesar 97%. Hasil tersebut cukup membuktikan bahwa kinerja metode SAW memberikan asumsi positif dalam pengambilan keputusan serta dapat berkontribusi aktif dapat menyajikan rekomendasi dalam penilaian terhadap sistem pelayanan pada Dinas Dukcapil.
Prediksi Dropout Mahasiswa: Early-Warning Berbasis Enrollment dengan Machine Learning Andika Putra, Febri; Mirajdandi, Syahisro; Nandra, Nandra; Okmarizal, Bisma; Mulyanda, Sandy
JURNAL FASILKOM Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i3.10714

Abstract

Dropout among university students remains a major challenge in higher education because it affects study continuity, institutional performance, and the efficiency of academic service planning. This study develops a machine learning–based Early Warning System (EWS) that leverages data available at enrollment and is updated after the first semester. Using the public dataset “Predict Students’ Dropout and Academic Success” (n = 4,424), the original three-class outcome (Dropout, Enrolled, Graduate) is simplified into a binary target, with dropout treated as the positive class. Two feature scenarios are evaluated: (1) enrollment-only for pre-entry screening and (2) enrollment plus first-semester indicators to update risk scores. Three models are compared: class-balanced Logistic Regression, class-balanced Random Forest, and Gradient Boosting. Model performance is assessed using accuracy, precision/recall/F1score for the dropout class, balanced accuracy, and ROC-AUC. Under the enrollment-only setting, Logistic Regression achieves the best early-warning performance (recall = 0.697; F1 score = 0.651). After incorporating first-semester features, performance improves (recall = 0.792; F1score = 0.779). Beyond model comparison, this study adds an operational perspective through confusion-matrix simulation and probability-threshold analysis to balance missed at-risk cases and follow-up workload.
Co-Authors Andika Putra, Febri Mulyanda, Sandy Nandra, Nandra Okmarizal, Bisma