Article Per Year (5 Year)
p-Index From 2021 - 2026
2.795
P-Index
This Author published in this journals
All Journal Jurnal Online Mahasiswa (JOM) Bidang Ilmu Sosial dan Ilmu Politik Jurnal Pseudocode Jurnal Informatika dan Teknik Elektro Terapan Jurnal Sistem Informasi dan Bisnis Cerdas SPEKTRA: Jurnal Kajian Pendidikan Sains Jurnal Eksplora Informatika Jurnal Nasional Komputasi dan Teknologi Informasi Abdimas Umtas : Jurnal Pengabdian kepada Masyarakat Technologia: Jurnal Ilmiah Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Pengabdian Masyarakat Indonesia Jurnal Ilmiah Teknologi Informasi dan Robotika Jurnal Abdi Masyarakat Indonesia International Journal Of Computer, Network Security and Information System (IJCONSIST) Jurnal Pengabdian Mitra Masyarakat (JPMM) Journal Research of Social Science, Economics, and Management
Irfan Pratama
Universitas Mercu Buana Yogyakarta
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Medicine & Pharmacology Neuroscience Physics Public Health Social Sciences Transportation Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Eksplora Informatika

 1 
Pemetaan Profil Mahasiswa Untuk Peningkatan Strategi Promosi Perguruan Tinggi Menggunakan Predictive Apriori Irfan Pratama; Putri Taqwa Prasetyaningrum
Jurnal Eksplora Informatika Vol 10 No 2 (2021): Jurnal Eksplora Informatika
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/eksplora.v10i2.505

Abstract

Program promosi melalui berbagai media untuk meningkatkan dan menguatkan rekrutmen mahasiswa yang terdistribusi pada setiap program studi secara ideal dan setara diperlukan untuk membuat perguruan tinggi selalu bertumbuh. Demografis mahasiswa dapat menjadi karakteristik khusus dalam memilih program studi. Begitupun lata belakang pendidikan mahasiswa dan keluarga. Berdasarkan masalah yang telah dikemukakan sebelumnya, maka peneliti tertarik untuk melakukan penelitian terkait data pendaftaran mahasiswa. Secara spesifik pengolahan terhadap data secara konseptual dapat dilakukan menggunakan proses Data Mining. Salah satu proses dari Data Mining yang dapat memberikan pengetahuan tentang keterkaitan antar variabel data adalah Association-Rule Mining. Metode yang digunakan yaitu Predictive Apriori sebagai metode asosiasi untuk mengekstrak profil mahasiswa dari universitas untuk mendapatkan wawasan yang lebih baik tentang apa yang harus dilakukan tim pemasaran untuk memperkuat kampanye pemasaran. Data tersebut akan diolah sehingga dapat dikenali karakteristik atau pola dari data-data yang ada dengan harapan dapat memberikan pengetahuan untuk dapat meningkatkan efektifitas promosi dan rekrutmen mahasiswa. Metode tersebut menghasilkan total 44456 rules, yang selanjutnya dilakukan filter berdasarkan rules yang mengandung atribut Prodi dan nilai akurasi minimum 90% (0.9). Rules yang dihasilkan akan dijadikan saran ajuan terhadap bagian pemasaran untuk melakukan pola roadshow atau promosi sesuai pola yang telah terbentuk.
Seleksi Fitur dan Penanganan Imbalanced Data menggunakan RFECV dan ADASYN Irfan Pratama; Albert Yakobus Chandra; Putri Taqwa Presetyaningrum
Jurnal Eksplora Informatika Vol 11 No 1 (2021): Jurnal Eksplora Informatika
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/eksplora.v11i1.578

Abstract

Proses data mining bekerja terhadap data yang tersedia. Jika dataset tidak tersedia sepenuhnya, hasil pengolahan data mining menjadi tidak optimal. Terdapat beberapa kondisi data yang perlu penanganan terlebih dahulu sebelum memasuki tahap data mining. Salah satunya ialah imbalanced class yang merupakan kondisi di mana distribusi data pada setiap kelas tidak proporsional. Sebagai salah satu cara untuk efisiensi proses klasifikasi, seleksi fitur dapat memenuhi kebutuhan tersebut karena hasil dari seleksi fitur adalah sebuah dataset dengan jumlah atribut yang lebih sedikit dari sebelumnya. Untuk menyelesaikan permasalahan imbalanced class, ADASYN digunakan dalam penelitian ini sebagai metode untuk menyeimbangkan proporsi kelas pada dataset. Sedangkan RFECV digunakan sebagai metode fitur seleksi yang dapat meningkatkan efisiensi pada proses klasifikasi. Setelah dilakukan evaluasi dari hasil klasifikasi pada dataset yang menggunakan seleksi fitur, didapatkan hasil klasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi pada dataset tanpa seleksi fitur. Hal tersebut dibuktikan dengan perbandingan antara hasil terbaik dari akurasi klasifikasi dataset tanpa seleksi fitur. Hasil dari metode CART sebesar 85.1% yang merupakan hasil dari pengolahan data tanpa menggunakan metode fitur seleksi. sedangkan metode Bagging k-NN yang menghasilkan akurasi sebesar 88% yang di aplikasikan pada dataset dengan seleksi fitur. Sehingga dapat disimpulkan bahwa seleksi fitur dapat meningkatkan akurasi pada klasifikasi.
Co-Authors Adi Indhito, Tatak Guritno Ahmad Iwan Fadli ahmad subadri Albert Yakobus Chandra Albert Yakobus Chandra Ardhi Choiruddin Eko Suyanto George Recksy Sandy Pratama I Dewa Putu Nyeneng Kukuh Truna Wijaya Nugraha, Anggit Ferdita Nurul Tiara Kadir Ozzi Suria Prasetyaningrum, Putri Taqwa Wahyu Ajitomo Welly Wirman Yoga Pristyanto