Garuda - Garba Rujukan Digital

Clustering Tingkat Pemahaman Mahasiswa Pada Perkuliahan Probabilitas Statistika Dengan Metode K-Means Rezqiwati Ishak; Amiruddin Bengnga
Jambura Journal of Electrical and Electronics Engineering Vol 4, No 1 (2022): Januari - Juni 2022
Publisher : Teknik Elektro - Universitas Negeri Gorontalo

Probabilitas Statistik merupakan mata kuliah logika perhitungan dimana sebagian Mahasiswa merasa kesulitan dalam penerimaan materi sehingga bagi Dosen pengampu mata kuliah hal ini merupakann suatu permasalahan dalam pemberian materi disebabkan tingkat pemahaman Mahasiswa yang tidak merata, hal ini tentunya akan berdampak pada sasaran dan tujuan pembelajaran yang tidak bisa tercapai sesuai Rencana Pembelajaran Semester. Tujuan penelitian ini adalah untuk melakukan pengelompokan atau clustering tingkat pemahaman Mahasiswa berdasarkan nilai mata kuliah prasyarat yaitu Kalkulus dan Matematika Diskrit. Metode yang digunakan yaitu K-Means untuk Clustering dan Elbow untuk menentukan jumlah cluster yang optimum. Berdasarkan hasil penelitian didapatkan hasil sebanyak 3 cluster, dimana cluster 1 adalah kelompok Mahasiswa yang tingkat pemahamannya digolongkan kategori Baik, Cluster 2 adalah kelompok kategori Sangat Baik dan Cluster 3 adalah kategori Kurang. Dari 110 Mahasiswa yang dijadikan sebagai dataset, masing-masing diperoleh untuk cluster 1 sebanyak 30 Mahasiswa, cluster 2 sebanyak 58 Mahasiswa dan cluster 3 sebanyak 22 Mahasiswa. Mahasiswa yang masuk pada cluster 3 perlu dilakukan tambahan perkuliahan sebelum mereka mengikuti mata kuliah Probabilitas Statistik agar capaian pembelajaran dapat dicapai, dengan demikian metode K-Means dan metode Elbow sangat cocok digunakan untuk melakukan clustering karena metode ini bisa didapatkan hasil clustering yang optimal

SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN DANA PENGEMBANGAN USAHA AGRIBISNIS PEDESAAN (PUAP) KEPADA GAPOKTAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Amiruddin Amiruddin
ILKOM Jurnal Ilmiah Vol 8, No 3 (2016)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v8i3.82.153-159

PUAP bertujuan untuk mengurangi kemiskinan, pengangguran dan kesenjangan pembangunan antar wilayah dan sektor. BP4K sebagai pembina gapoktan mempunyai tugas untuk memberdayakan aktifitas gapoktan dan salah satunya melalui bantuan dana PUAP. Proses penyeleksian penerima bantuan dana PUAP terdapat masalah yang dihadapi, diantaranya sulitnya menentukan Gapoktan yang layak Â mendapatkan bantuan dana PUAP dikarenakan banyaknya proposal permintaan dana yang masuk dan banyaknya kriteria yang digunakan sehingga membutuhkan ketelitian dalam proses pengolahan datanya, untuk itu diperlukan sebuah sistem pendukung keputusan. Metode yang digunakan adalah SAW. Berdasarkan hasil penelitian sistem tersebut dapat membantu pihak pengambil keputusan dalam menentukan alternatif (gapoktan) terbaik untuk menerima Dana PUAP. Hal ini dibuktikan dengan hasil pengujian yang dilakukan dengan metode white box testing dan basis path testing yang menghasilkan nilai yang sama, sehingga didapat bahwa logika Â flowchart perhitungan, penilaian dan perankingan yang benar dan berdasarkan pengujian black box rancangan perangkat lunak telah terpenuhi dengan hasil sesuai dengan rancangan.

Prediksi Jumlah Mahasiswa Ujian Skripsi Dengan Metode Least Square Amiruddin Bengnga; Rezqiwati Ishak
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.v4i1.6224

Pencapaian target jumlah mahasiswa yang ujian skripsi di setiap semester pada setiap Program Studi yang sudah ditentukan di awal semester tentunya ada yang mencapai target dan tidak mencapai target. Jika tidak mencapai target maka hal ini akan menjadi penilaian kinerja Program Studi menurun, agar hal ini tidak terjadi, maka salah satu soluisnya adalah melakukan teknik prediksi dengan menggunakan data yang relevan di periode semester sebelumnya. Metode prediksi yang digunakan adalah metode Least Square karena metode ini cocok digunakan untuk memprediksi data dalam bentuk time series. Data yang digunakan dalam penelitian ini diambil dari 5 Program Studi di Universitas Ichsan Gorontalo. Berdasarkan hasil penelitian perhitungan tingkat kesalahan dengan menggunakan MAPE (Mean Absolute Percentage Error) antara data aktual dan hasil prediksi didapatkan rata-rata error sebesar 16.11% atau tingkat akurasi sebesar 83.89%.

Implementasi Seleksi Fitur Klasifikasi Waktu Kelulusan Mahasiswa Menggunakan Correlation Matrix with Heatmap Amiruddin Bengnga; Rezqiwati Ishak
Jambura Journal of Electrical and Electronics Engineering Vol 4, No 2 (2022): Juli - Desember 2022
Publisher : Teknik Elektro - Universitas Negeri Gorontalo

Klasifikasi waktu kelulusan Mahasiswa biasanya menggunakan lebih dari 10 atribut input, namun tidak semua atribut tersebut memiliki relevansi dengan atribut output, sehingga sebelum dilakukan klasifikasi perlu dilakukan pemilihan atribut yang relevan melalui seleksi fitur terlebih dahulu. Seleksi fitur merupakan bagian dalam tahapan data preparation pada siklus hidup data science, seleksi Fitur merupakan salah satu konsep inti dalam pembelajaran mesin yang sangat mempengaruhi kinerja model data mining. Dimana pada tahapan ini dilakukan seleksi fitur yang berkontribusi paling besar pada variabel prediksi atau output, memilih fitur yang tidak relevan dalam dataset dapat mengurangi keakuratan model dan membuat model belajar berdasarkan fitur yang tidak relevan. Dengan demikian melakukan seleksi fitur sebelum memodelkan data akan didapatkan manfaat seperti : mengurangi Overfitting, meningkatkan akurasi dan mengurangi waktu pelatihan. Teknik yang digunakan dalam seleksi fitur pada penilitian ini adalah Correlation Matrix with Heatmap karena teknik ini mudah digunakan dan juga memberikan hasil yang baik. Setelah dilakukan implementasi seleksi fitur pada klasifikasi waktu kelulusan Mahasiswa dengan menggunakan 13 variabel/atribut awal didapatkan hasil akhir sebanyak 9 atribut terseleksi yang memiliki relevansi atau kontribusi terhadap variabel output (waktu kelulusan) yaitu : jenis kelamin, kelas, umur, SKS1, IPS1, SKS2, SKS3, SKS4 dan SKS5, sedangkan atribut input yang kurang relevan terdapat 4 atribut yaitu : IPS2, IPS3, IPS4 dan IPS5, sehingga untuk melakukan klasifikasi waktu kelulusan Mahasiswa cukup menggunakan 9 atribut yang terseleksi agar bisa mendapatkan hasil akurasi yang maksimal, proses klasifikasi akan dilakukan pada penelitian selanjutnya.Classification of graduation time Students usually use more than 10 input attributes, but not all of these attributes have relevance to output attributes, so before classification is carried out, it is necessary to select relevant attributes through feature selection first. Feature selection is part of the data preparation stages in the data science lifecycle, Feature selection is one of the core concepts in machine learning that greatly affects the performance of data mining models. Where at this stage a selection of features that contribute the most to the prediction or output variables is carried out, choosing irrelevant features in the dataset can reduce the accuracy of the model and make the model learn based on irrelevant features. Thus, selecting features before modeling data will get benefits such as: reducing Overfitting, increasing accuracy and reducing training time. The technique used in the feature selection in this study is correlation matrix with heatmap because this technique is easy to use and also gives good results. After the implementation of feature selection in the classification of student graduation time using 13 variables / initial attributes, the final results of 9 selected attributes were obtained that had relevance or contribution to the output variables (graduation time) namely: gender, class, age, SKS1, IPS1, SKS2, SKS3, SKS4 and SKS5, while the less relevant input attributes were 4 attributes, namely: IPS2, IPS3, IPS4 and IPS5, so that to classify the graduation time Students only need to use the 9 attributes selected in order to get maximum accuracy results, the classification process will be carried out in the next study.

Prediksi Harga Cabai Di Kota Gorontalo Menggunakan Metode Weighted Moving Average Siska M. Igirisa; Amiruddin Amiruddin
Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer Vol 1 No 2 (2022): Edisi November (2022)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Universitas Ichsan Gorontalo

This study aims to describe the price of chili through technology using the Weighted Moving Average method. Chili is one of the food commodities that can affect the value of inflation. The price of chili that is less erratic and even tends to continue to increase at certain times will have a bad impact on the country and society. The on-demand chili is a type of Gorontalo local chili. Chili is one of the food products that have very fluctuating prices. The Weighted Moving Average method has a good is believed to be good in predicting chili prices at the Gorontalo City Food Service Office. At the accuracy level, the prediction of future chili prices can use the Weighted Moving Average method. It is found that the application of the Weighted Moving Average method in building a system of chili price prediction can be seen through the MAPE results. The lowest error rate indicates the third-month moving average prediction (n=3), namely 26.48%, or the accuracy rate is 73.52%. Thus, the moving average value used in the chili price prediction is an average of 3 months (n=3). Keywords: prediction, chili price, Weighted Moving Average, MAPE

Penerapan XGBoost untuk Seleksi Atribut pada K-Means dalam Clustering Penerima KIP Kuliah Amiruddin Bengnga; Rezqiwati Ishak
Jambura Journal of Electrical and Electronics Engineering Vol 5, No 2 (2023): Juli - Desember 2023
Publisher : Electrical Engineering Department Faculty of Engineering State University of Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jjeee.v5i2.20253

Pada proses clustering prioritas penerima bantuan Kartu Indonesia Pintar Kuliah dengan algoritma K-Means ada beberapa masalah yang muncul yaitu masalah seleksi atribut yang penting dan penentuan nilai K yang optimum sehingga membuat proses clustering tidak maksimal dan tidak ideal. Masalah pemilihan atribut yang penting akan diselesaikan dengan menggunakan algoritma XGBoost yang terbukti dapat digunakan untuk memecahkan masalah seperti pada proses clustering prioritas penerima bantuan KIP Kuliah. Hasil penelitian menunjukkan bahwa algoritma XGBoost dapat menentukan 3 (tiga) atribut yang paling penting yaitu Pekerjaan Ayah, Penghasilan Ibu dan Luas Bangunan dari 12 (dua belas) atribut yang ada yaitu Pekerjaan Ayah, Pekerjaan Ibu, Penghasilan Ayah, Penghasilan Ibu, Jumlah Tanggungan, Kepemilikan Rumah, Sumber Listrik, Luas Tanah, Luas Bangunan, Sumber Air, MCK, Prestasi dan metode Elbow terbukti dapat menentukan nilai K yang optimum yaitu nilai K=4. Berdasarkan penggunaan 3 (tiga) atribut terbaik dan nilai K=4 sebagai nilai K optimum berhasil didapatkan clustering yang paling maksimal dan ideal dengan nilai index terkecil yaitu 0.819 dengan menggunakan metode pengujian Davies-Bouldin Index.In the process of clustering the priority of the recipient Indonesian smart school cards with the K-Means algorithm, there are several problems that arise, namely the problem of selecting important attributes and determining the optimal value of K, so that the process is not maximum and is not ideal. Important attribute selection problems will be solved using proven XGBoost algorithm that can be used to solve problems such as in the process of clustering the priority of recipients of school KIP assistance. The results of the research showed that the XGBoost algorithm can determine the 3 (three) most important attributes, namely Fatherâ€™s Work, Motherâ€™s Production and Building Size from the 12 (twelve) attributs that exist: Father's Job, Mothersâ€™ Work, Fathersâ€™ Income, Mothersâ€™ Revenue, Number of Dependants, Home Ownership, Electrical Resources, Land Area, Building Area, Water Resource, MCK, Performance and Elbow Method proved to determine the optimal K value of K=4. Based on the use of the 3 (three) best attributes and the value of K = 4 as the optimal K value, the maximum and ideal clustering with the smallest index value is 0.819 using the Davies-Bouldin Index test method.

Pengolahan Buah Aren Menjadi Produk Kolang-Kaling di Desa Kopi Kecamatan Bulango Utara Kabupaten Bone Bolango Rezqiwati Ishak; Amiruddin Amiruddin; Swastiani Dunggio; Syahrir Abdussamad
ELDIMAS: Jurnal Pengabdian Pada Masyarakat Vol 1 No 1 (2023): Mei - Oktober 2023
Publisher : Electrical Engineering Department Faculty of Engineering State University of Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/ejppm.v1i1.3

The aren tree is a type of palm that has high economic value and is widely distributed in Indonesia, especially in Bone Bolango Regency, Gorontalo Province. All parts of the palm tree from the leaves to the roots can be used. The superior products of aren as a source of food and energy include brown sugar, ant sugar, fresh sap, and fruit and are used for various handicraft products and building materials. The purpose of implementing PKM in the coffee village is to take advantage of the village's potential to develop the community's economy by making processed palm fruit into processed fruit and fro. The method used in this is assisting MSMEs so that they can develop according to technological developments. The results achieved in this PKM are processed palm fruit products in the form of fro which are already in packaging so that they can support the validity period or expiration date of processed palm fruit products.

Klasifikasi Waktu Kelulusan Mahasiswa Menggunakan Metode Decision Tree Mundok, Geby; Amiruddin; Zulfrianto Y. Lamasigi
Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer Vol 3 No 1 (2024): Mei 2024
Publisher : Teknik Informatika Fakultas Ilmu Komputer Universitas Ichsan Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37195/balok.v3i1.736

Abstract A student's graduation time is one indicator of the university's success. Student graduation time is the period required for students to complete their studies. Ideally, students can graduate on time under a specified study period. However, not all students can graduate on time. This study is aimed at classifying whether students graduate on time using the decision tree method. The data employed in this study are the Faculty of Law's graduates of 2015 - 2017, Universitas Ichsan Gorontalo. The attributes used in this classification consist of IPS1, PIS2, IPS3, IPS4, gender, and graduation information. In this study, model optimization performed is by selecting attributes, pruning trees, and measuring inside the tree. The results of this study show that the decision tree method can predict student graduation times with 92% accuracy by producing nine (9) decision rules. It indicates that the decision tree method can be a solution for predicting student graduation times, so it can be a solution to help study programs increase student success in completing their studies. Keywords: classification, graduation time, students, data mining, decision tree, accurate graduation

Implementasi Metode XGBoost Dalam Seleksi Atribut Pada Algoritma K-Means Untuk Clustering Masyarakat Penerima Bantuan Langsung Tunai Amiruddin; Maryam Hasan; Muhammad Erdiansyah
Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer Vol 3 No 2 (2024): November 2024
Publisher : Teknik Informatika Fakultas Ilmu Komputer Universitas Ichsan Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37195/balok.v3i2.1193

Penelitian ini mengkaji implementasi metode XGBoost dalam seleksi atribut pada algoritma K-Means untuk clustering masyarakat penerima Bantuan Langsung Tunai (BLT). Dalam konteks ini, 14 atribut awal digunakan untuk menggambarkan karakteristik rumah tangga penerima BLT: Luas Lantai, Lantai Rumah, Dinding Rumah, MCK, Sumber Listrik, Sumber Air, Bahan Bakar, Konsumsi, Pakaian, Tidak Sanggup Berobat, Sumber Penghasilan KK, Penghasilan KK, Pendidikan KK, dan Tabungan. Metode XGBoost diaplikasikan untuk menyeleksi atribut yang paling relevan dalam menentukan kelompok penerima BLT. Dari hasil seleksi, ditemukan tiga atribut penting yaitu Luas Lantai, Lantai Rumah, dan Penghasilan KK. Implementasi K-Means clustering dilakukan dua kali, pertama menggunakan seluruh atribut dan kedua menggunakan tiga atribut penting yang telah diseleksi oleh XGBoost. Analisis hasil clustering menunjukkan bahwa sebelum seleksi atribut, nilai Davies-Bouldin Index (DBI) sebesar 1.325. Setelah seleksi atribut penting, nilai DBI menurun menjadi 0.800. Penurunan nilai DBI sebesar 0.525 ini mengindikasikan bahwa hasil clustering menjadi lebih optimal setelah penerapan XGBoost. Dengan demikian, penelitian ini menyimpulkan bahwa penggunaan XGBoost untuk seleksi atribut dapat meningkatkan kinerja K-Means dalam clustering masyarakat penerima BLT, menghasilkan grup yang lebih jelas dan homogen. Temuan ini memiliki implikasi penting untuk meningkatkan efisiensi dan efektivitas program penyaluran BLT dengan mendasarkan keputusan pada atribut yang paling berpengaruh. Kata Kunci: XGBoost, K-Menas, Clustering, Seleksi Atribut, Bantuan Langsung Tunai

Optimization of K-Means Attribute Selection Using Correlation Matrix in Patient Disease Clustering Bengnga, Amiruddin; Ishak, Rezqiwati
Jambura Journal of Electrical and Electronics Engineering Vol 7, No 2 (2025): Juli - Desember 2025
Publisher : Electrical Engineering Department Faculty of Engineering State University of Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jjeee.v7i2.28010

Patient health is a critical element in public health systems, where grouping disease data can facilitate risk identification and more efficient treatment planning. However, conventional clustering methods such as K-Means often have difficulty in separating clusters optimally, especially when the attributes used are irrelevant or redundant. This study aims to optimize the clustering process of patient health data by applying attribute selection using Correlation Matrix and Heatmap in the K-Means algorithm. The method used involves normalizing the data with a StandardScaler and determining the optimal number of clusters through the Elbow Method, which results in three optimal clusters. Attribute selection is carried out to reduce redundancy, leaving important features such as age, height, and body mass index (BMI). The results of the analysis showed that attribute selection significantly improved clustering performance, with the Silhouette Score increasing from 0.20 to 0.54 and the Davies-Bouldin Index (DBI) decreasing from 1.60 to 0.63. Visualization of clustering results using Principal Component Analysis (PCA) shows a clearer separation between clusters, reflecting different patient characteristics. These findings confirm the importance of attribute selection in the clustering process to achieve more optimal results that can help in understanding patient health patterns and designing more appropriate interventions.Kesehatan pasien merupakan elemen penting dalam sistem kesehatan masyarakat, di mana pengelompokan data penyakit dapat memfasilitasi identifikasi risiko dan perencanaan perawatan yang lebih efisien. Namun metode clustering konvensional seperti K-Means sering mengalami kesulitan dalam memisahkan cluster secara optimal, terutama ketika atribut yang digunakan tidak relevan atau berlebihan. Penelitian ini bertujuan untuk mengoptimalkan proses clustering data kesehatan pasien dengan menerapkan seleksi atribut menggunakan Correlation Matrix dan Heatmap dalam algoritma K-Means. Metode yang digunakan melibatkan normalisasi data dengan StandardScaler dan penentuan jumlah cluster optimal melalui Elbow Method, yang menghasilkan tiga cluster optimal. Seleksi atribut dilakukan untuk mengurangi redundansi, menyisakan fitur-fitur penting seperti umur, tinggi badan, dan indeks massa tubuh (IMT). Hasil analisis menunjukkan bahwa seleksi atribut secara signifikan meningkatkan performa clustering, dengan Silhouette Score meningkat dari 0,20 menjadi 0,54 dan Davies-Bouldin Index (DBI) menurun dari 1,60 menjadi 0,63. Visualisasi hasil clustering menggunakan Principal Component Analysis (PCA) menunjukkan pemisahan yang lebih jelas antar cluster, mencerminkan karakteristik pasien yang berbeda. Temuan ini menegaskan pentingnya seleksi atribut dalam proses clustering untuk mencapai hasil yang lebih optimal yang dapat membantu dalam memahami pola kesehatan pasien dan merancang intervensi yang lebih tepat.

Title

Found 12 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 12 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 12 Documents
Search