Article Per Year (5 Year)
p-Index From 2021 - 2026
21.555
P-Index
This Author published in this journals
All Journal Jurnal Simantec Jurnal Riset Informatika Seminar Nasional Teknologi Informasi Komunikasi dan Administrasi [SEMINASTIKA] GANDRUNG: Jurnal Pengabdian Kepada Masyarakat Jurnal Mahasiswa Sistem Informasi (JMSI) Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM) Jurnal Penelitian Rumpun Ilmu Teknik JUSTIFY : Jurnal Sistem Informasi Ibrahimy Jurnal Pengabdian Kolaborasi dan Inovasi IPTEKS Journal Of Computer Science And Technology JURNAL ILMIAH SAINS TEKNOLOGI DAN INFORMASI "JAMASTIKA" Jurnal Mahasiswa Teknik Informatika Jurnal Ilmiah Multidisiplin Nusantara Gudang Jurnal Multidisiplin Ilmu Jurnal Ilmiah Research Student Jurnal Sains Student Research JURNAL ILMIAH PENELITIAN MAHASISWA Jurnal Imiah Pengabdian Pada Masyarakat (JIPM) Jurnal Ilmiah Multidisiplin Ilmu Jurnal Riset Teknik Komputer Jurnal Pengabdian Masyarakat Jurnal Riset Sistem Informasi Jurnal Padamu Negeri Jurnal Pendidikan Sains dan Teknologi Terapan Jurnal Sistem Informasi Karya Anak Bangsa Jurnal Teras Pengabdian Masyarakat Jurnal Pengabdian Indonesia Abhakte
Zaehol Fatah
Unknown Affiliation
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Physics Public Health Social Sciences Other

Published : 191 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 191 Documents
Search

 11   12   13   14   15 
Penerapan Algoritma Random Forest dan Teknik SMOTE untuk Prediksi Kematian Akibat Gagal Jantung Menggunakan RapidMiner Islamiyatul Addewiyah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini mengusulkan pengembangan model klasifikasi yang efektif untuk memprediksi risiko kematian akibat gagal jantung, memanfaatkan kombinasi algoritma Random Forest dan teknik Synthetic Minority Oversampling Technique (SMOTE). Penyakit gagal jantung merupakan penyebab utama morbiditas dan mortalitas global, dengan kemampuan prediksi yang akurat menjadi krusial untuk intervensi dini dan peningkatan prognosis pasien. Tantangan signifikan dalam pengembangan model prediktif di bidang medis adalah ketidakseimbangan kelas pada dataset, di mana jumlah kasus minoritas (misalnya, pasien meninggal) jauh lebih sedikit dibandingkan kelas mayoritas (pasien bertahan hidup), menyebabkan bias pada model. Untuk mengatasi ini, teknik SMOTE diterapkan untuk menyeimbangkan distribusi data dengan menghasilkan sampel sintetis dari kelas minoritas. Dataset yang digunakan berasal dari Kaggle, terdiri dari 299 data rekam medis pasien dengan 13 atribut klinis relevan. Proses penelitian meliputi tahapan preprocessing data, balancing data menggunakan SMOTE, pelatihan model menggunakan Random Forest, dan evaluasi komprehensif. Evaluasi kinerja model dilakukan menggunakan metrik-metrik standar seperti akurasi, presisi, recall, F1-score, dan Area Under the Receiver Operating Characteristic (AUC). Hasil eksperimen menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi sebesar 84.60%, presisi 90.49%, recall 86.79%, dan nilai AUC sebesar 0.916. Nilai F1-score yang tinggi sebesar 88.59% lebih lanjut menegaskan keseimbangan yang baik antara presisi dan recall model. Temuan ini mengindikasikan bahwa kombinasi Random Forest dan SMOTE secara signifikan meningkatkan kemampuan prediksi kematian akibat gagal jantung, menawarkan alat yang berpotensi berharga bagi tenaga medis dalam mengidentifikasi pasien berisiko tinggi dan merencanakan strategi intervensi yang lebih optimal. Kata Kunci: classification, heart failure, random forest, rapidminer, smote.   This study proposes the development of an effective classification model to predict the risk of mortality from heart failure, utilizing a combination of the Random Forest algorithm and the Synthetic Minority Oversampling Technique (SMOTE). Heart failure is a leading cause of global morbidity and mortality, with accurate predictive capabilities being crucial for early intervention and improved patient prognosis. A significant challenge in developing predictive models in the medical field is class imbalance in datasets, where the number of minority cases (e.g., deceased patients) is significantly lower than the majority class (surviving patients), leading to model bias. To address this, the SMOTE technique is applied to balance the data distribution by generating synthetic samples from the minority class. The dataset used is from Kaggle, comprising 299 patient medical records with 13 relevant clinical attributes. The research process includes data preprocessing, data balancing using SMOTE, model training with Random Forest, and comprehensive evaluation. Model performance evaluation is conducted using standard metrics such as accuracy, precision, recall, F1-score, and Area Under the Receiver Operating Characteristic (AUC). Experimental results demonstrate that the developed model achieved an accuracy of 84.60%, precision of 90.49%, recall of 86.79%, and an AUC value of 0.916. A high F1-score of 88.59% further confirms a good balance between the model's precision and recall. These findings indicate that the combination of Random Forest and SMOTE significantly enhances the predictive capability for heart failure mortality, offering a potentially valuable tool for medical professionals in identifying high-risk patients and planning more optimal intervention strategies. Keyword: classification, heart failure, random forest, rapidminer, smote.
Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Memprediksi Kelulusan Mahasiswa Menggunakan RapidMiner. Herlinatus Safira Muasolli; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi kelulusan mahasiswa dapat membantu perguruan tinggi dalam meningkatkan mutu dan efisiensi penyelenggaraan pendidikan. Penelitian ini bertujuan untuk membangun model klasifikasi  kelulusan mahasiswa dengan bantuan metode K-Nearest Neighbor yang diterapkan melalui perangkat lunak RapidMiner. Data yang digunakan mencakup berbagai atribut akademik dan administratif mahasiswa, dan telah melalui tahap prapemrosesan seperti normalisasi dan penetapan label. Hasil menunjukkan bahwa algoritma K-NN mampu mencapai akurasi sebesar 95,88%, terutama fokus pada klasifikasi mahasiswa dengan kelulusan sesuai waktu yang ditentukan, hal ini membuktikan bahwa algoritma K-NN mampu digunakan sebagai perangkat yang berperan signifikan dalam proses evaluasi dan pengambilan keputusan akademik Kata Kunci:  Klasifikasi, K-NN, RapidMiner, Kelulusan Mahasiswa, Data Mining   Student graduation prediction can help universities improve the quality and efficiency of education delivery. This study aims to build a classification model using the K-Nearest Neighbor (K-NN) method implemented through RapidMiner software. The dataset consists of various academic and administrative attributes of students and has been processed through several stages, including normalization and labeling. The results show that the K-NN algorithm achieves an accuracy of 95.88%, particularly in classifying students who graduate within the specified time, indicating that this algorithm can serve as a reliable tool to support evaluation processes and academic decision-making Keywords: Classification, K-NN, RapidMiner, Student Graduation, Data Mining
Klasifikasi Kepribadian Introvert dan Ekstrovert Menggunakan Algoritma k-NN Berdasarkan Data Perilaku Sosial Holida Izzatilla; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Identifikasi tipe kepribadian merupakan aspek penting dalam bidang psikologi, pendidikan, dan manajemen sumber daya manusia. Penelitian ini bertujuan untuk mengklasifikasikan kepribadian introvert dan ekstrovert berdasarkan data perilaku sosial non-verbal menggunakan algoritma k-Nearest Neighbors (k-NN). Dataset yang digunakan berasal dari platform Kaggle dengan total 2.900 entri dan 8 atribut perilaku sosial. Proses klasifikasi dilakukan melalui tahapan pra-pemrosesan data, pemodelan, dan evaluasi performa menggunakan perangkat lunak RapidMiner Studio. Pengujian dilakukan dengan variasi nilai k (3, 5, dan 7) menggunakan metrik jarak Euclidean. Hasil menunjukkan bahwa konfigurasi nilai k = 7 menghasilkan akurasi tertinggi sebesar 93,10%, dengan distribusi klasifikasi yang seimbang antara kelas introvert dan ekstrovert. Temuan ini menunjukkan bahwa pendekatan berbasis data perilaku sosial dapat menjadi alternatif yang efektif dan efisien dalam klasifikasi kepribadian, serta berpotensi untuk dikembangkan dalam sistem prediksi kepribadian berbasis teknologi. Kata Kunci: K-Nearest Neighbors, perilaku sosial, klasifikasi kepribadian, introvert, ekstrovert   Personality identification plays a crucial role in psychology, education, and human resource management. This study aims to classify introvert and extrovert personality types based on non-verbal social behavior data using the k-Nearest Neighbors (k-NN) algorithm. The dataset, obtained from the Kaggle platform, consists of 2,900 entries and 8 social behavior attributes. The classification process involves data preprocessing, model building, and performance evaluation using RapidMiner Studio. The model was tested with various values of k (3, 5, and 7) using the Euclidean distance metric. The results indicate that the configuration with k = 7 yields the highest accuracy of 93.10%, with a balanced classification distribution between introvert and extrovert classes. These findings demonstrate that social behavior-based data can serve as an effective and efficient alternative for personality classification, and offer promising potential for the development of data-driven personality prediction systems. Keywords: K-Nearest Neighbors, social behavior, personality classification, introvert, extrovert.
Penerapan Decision Tree Pada Klasifikasi Kelulusan Mahasiswa Muflihatul Hasanah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keberhasilan suatu program pendidikan sering diukur dari jumlah mahasiswa yang menyelesaikan studinya tepat waktu , terutama dalam hal evaluasi dan akreditasi universitas. Penelitian ini bertujuan untuk penerapan algoritma Pohon Keputusan dalam proses prediksi terhadap kelulusan mahasiswa tepat waktu.Metode tersebut digunakan karena mampu mengenali pola data secara terstruktur dan memberikan hasil prediksi yang akurat. Dalam studi ini, data dikumpulkan dari total 154 mahasiswa, dengan atribut utama meliputi IPK, IPS, umur, dan jenis kelamin. Proses pengolahan data dilakukan melalui tahapan seleksi data, pembersihan, transformasi, dan pemodelan menggunakan perangkat lunak RapidMiner. Model kemudian dievaluasi dengan metode cross-validation untuk mencegah overfitting serta memastikan konsistensi performa model. Hasil pengujian memperlihatkan bahwa algoritma  Pohon Keputusan  efektif dalam pengelompokan data kelulusan mahasiswa dengan akurasi yang tinggi sehingga mencapai 94,48%. Hal ini menegaskan bahwa metode ini dapat diandalkan sebagai alat bantu prediktif bagi perguruan tinggi dalam memantau potensi kelulusan mahasiswa sejak dini. Dengan demikian, implementasi model klasifikasi ini diharapkan dapat mendukung pengambilan keputusan dalam perencanaan akademik serta meningkatkan efisiensi manajemen pendidikan di perguruan tinggi. Kata Kunci: Prediksi kelulusan mahasiswa, Sistem Informasi, Algoritma Decision Tree, Dataset Kelulusan.
Analisis Sentimen Komentar YouTube pada Video Terkait Insiden Pengemudi Ojek Online dan Anggota Brimob Menggunakan Algoritma Naive Lailatus Syarifah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Media sosial telah menjadi ruang ekspresi publik yang dinamis, di mana masyarakat menyampaikan opini terhadap berbagai peristiwa aktual. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap insiden antara pengemudi ojek online dan anggota Brimob melalui komentar YouTube. Metode yang digunakan adalah algoritma Naive Bayes dengan pendekatan klasifikasi teks. Data dikumpulkan dari 10 video YouTube, menghasilkan 1.143 komentar, yang setelah dibersihkan menjadi 1.121 komentar. Fitur teks dibentuk menggunakan TF-IDF Vectorizer dan data dibagi menjadi data latih (896) dan data uji (225). Hasil klasifikasi menunjukkan distribusi sentimen: netral (48.7%), negatif (46.7%), dan positif (4.5%). Evaluasi model menghasilkan akurasi 67%, precision 46%, recall 47%, dan F1-score 45%. Temuan ini menunjukkan bahwa mayoritas komentar bersifat netral dan negatif, serta bahwa Naive Bayes cukup efektif dalam klasifikasi opini publik meskipun memiliki keterbatasan dalam menangani data minoritas. Kata Kunci: Analisis Sentimen, Komentar YouTube, Naive Bayes, Text Mining, Opini Publik.   Social media has become a dynamic space for public expression, where individuals share opinions on various current events. This study aims to analyze public sentiment regarding the incident between an online motorcycle taxi driver and a member of Brimob through YouTube comments. The method employed is the Naive Bayes algorithm with a text classification approach. Data was collected from 10 YouTube videos, yielding 1,143 comments, which were cleaned down to 1,121 comments for analysis. Text features were constructed using the TF-IDF Vectorizer, and the dataset was split into training data (896 comments) and test data (225 comments). The classification results show sentiment distribution as follows: neutral (48.7%), negative (46.7%), and positive (4.5%). Model evaluation produced an accuracy of 67%, precision of 46%, recall of 47%, and F1-score of 45%. These findings indicate that most comments are neutral and negative, and that Naive Bayes is reasonably effective in classifying public opinion, although it faces challenges in handling minority classes such as positive sentiment. Keywords: Sentiment Analysis, YouTube Comments, Naive Bayes, Text Mining, Public Opinion.
Penerapan Algoritma C4.5 Untuk Memprediksi Penerimaan Beasiswa Bagi Mahasiswa Berprestasi Nur Aini; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di setiap lembaga pendidikan, khususnya di universitas negeri, ada banyak beasiswa yang diberikan kepada para mahasiswa, baik yang baru diterima di universitas negeri, mahasiswa berprestasi, maupun mahasiswa yang memiliki kondisi ekonomi kurang memadai. Jika mahasiswa memenuhi syarat akademik tertentu sehingga dinyatakan memenuhi kriteria untuk melanjutkan studi, maka akan dianggap lulus dari perkuliahan. Besarnya jumlah mahasiswa berprestasi di universitas dapat ditingkatkan melalui kebijakan yang dikenal Sebagai bentuk dukungan, banyak peserta yang mendaftar untuk mendapatkan beasiswa, dan dengan banyaknya indikator yang harus dipertimbangkan, dibutuhkan suatu sistem untuk membantu menentukan siapa yang berhak menerima beasiswa dari universitas. Penelitian ini dilakukan untuk mengklasifikasikan mahasiswa penerima beasiswa menggunakan teknik klasifikasi dengan algoritma C4.5. Dengan menganalisis pola data beasiswa, model dapat dikembangkan dari informasi tersebut untuk memprediksi mahasiswa yang akan mendapatkan beasiswa di masa depan. Akurasi yang dihasilkan mencapai 93,33% dengan kategori Klasifikasi Baik. Temuan dari penelitian ini mampu mengklasifikasikan ke dalam dua kategori, yaitu penerima beasiswa dan bukan penerima beasiswa. Oleh karena itu, Algoritma C4.5 bisa dijadikan referensi dalam klasifikasi penerima beasiswa secara efektif sehingga dapat meningkatkan produktivitas kinerja. Kata Kunci: Pendidikan, Prediksi, Beasiswa, Algoritma C4.5.  
Klasifikasi Data Kanker Payudara Menggunakan Algoritma Decision Tree Berbasis Rapidminer Rosita Natania Maulani; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker payudara merupakan salah satu penyakit paling umum dan sangat berbahaya bagi perempuan di seluruh dunia. Untuk meningkatkan kemungkinan keberhasilan pengobatan dan mengurangi angka kematian, deteksi dini yang akurat sangat penting. Penelitian ini bertujuan untuk mengatur informasi tentang kanker payudara menggunakan algoritma Decision Tree dengan perangkat lunak RapidMiner. Metode ini dipilih karena mampu menghasilkan model klasifikasi yang transparan, mudah dipahami, dan efektif untuk pengambilan keputusan medis. Data yang digunakan berasal dari sumber publik dan mencakup berbagai faktor diagnostik, termasuk ukuran tumor, ketebalan epitel, dan karakteristik sel. Setelah data diproses, model dilatih dan diuji menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Temuan dari penelitian menunjukkan bahwa algoritma Decision Tree dapat mengklasifikasikan data dengan tingkat akurasi yang tinggi. Visualisasi pohon keputusan memberikan pemahaman yang jelas mengenai atribut yang paling berpengaruh, sehingga penelitian ini berpotensi mendukung pengembangan sistem diagnosis kanker payudara yang lebih efisien dan akurat di masa mendatang. Kata Kunci:  Kanker payudara, Decision Tree, RapidMiner, Klasifikasi data, Diagnosis medis, Machine learning
Implementasi Algoritma Apriori untuk Analisis Pola Pembelian Konsumen pada Dataset Market Basket Analysis Nur Aini; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pola pembelian konsumen pada data transaksi penjualan retail menggunakan metode data mining dengan algoritma Apriori. Analisis dilakukan terhadap 20 data transaksi produk kebutuhan harian yang telah dikonversi ke dalam format biner. Proses pengolahan data dilakukan secara manual menggunakan Microsoft Excel serta secara otomatis dengan RapidMiner. Hasil penelitian menunjukkan bahwa produk yang paling sering dibeli oleh konsumen adalah Chocolate (42,1%), Yogurt (42,0%), Butter (42,0%), Ice Cream (41,0%), dan Sugar (40,9%). Selain itu, diperoleh beberapa aturan asosiasi dengan nilai support dan confidence yang tinggi, seperti kombinasi Milk dan Dill → Chocolate (confidence 60%) dan kombinasi Chocolate, Onion, Unicorn → Dill (confidence 60,6%). Informasi ini dapat dimanfaatkan untuk menyusun strategi penjualan yang lebih efektif, seperti pembuatan paket bundling produk, penempatan produk secara strategis di rak toko, serta pengembangan sistem rekomendasi berbasis pola pembelian konsumen.   Kata Kunci: Data mining, Apriori, Market Basket Analysis, Association Rules, RapidMiner.   This study aims to identify consumer purchasing patterns in retail transaction data using data mining techniques with the Apriori algorithm. The analysis was conducted on 20 daily product transactions that were converted into binary format. Data processing was carried out both manually using Microsoft Excel and automatically with RapidMiner. The results indicate that the most frequently purchased products by consumers include Chocolate (42.1%), Yogurt (42.0%), Butter (42.0%), Ice Cream (41.0%), and Sugar (40.9%). Furthermore, several association rules with high support and confidence values were discovered, such as the combination of Milk and Dill → Chocolate (confidence 60%) and Chocolate, Onion, Unicorn → Dill (confidence 60.6%). These insights can be utilized to design more effective sales strategies, such as bundled product promotions, optimized shelf arrangements, and the development of recommendation systems based on consumer purchasing behavior.  Keywords: Data Mining, Apriori, Market Basket Analysis, Association Rules, RapidMiner
Klasifikasi Penyakit TBC Menggunakan Metode K-Nearest Neighbors (KNN) iin, Nur Inayah; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tuberkulosis (TBC) merupakan penyakit menular yang disebabkan oleh bakteri Mycobacterium tuberculosis dan masih menjadi tantangan besar bagi kesehatan Masyarakat di Indonesia. Penyakit ini dapat menular dengan cepat melalui percikan udara saat penderitabatuk atau bersin, serta berisiko tinggi menular di lingkungan keluarga, untuk mendukung penegakan diagnosis dan pengelompokan penyakit ini, penelitian ini menggunakan algoritma K-Nearest neighbors (KNN) dalam konteks data mining. Data mining Adalah suatu metode yang menggabungkan statistic, matematika, kecerdasan buatan, dan machine learning untuk menemukan pola serta informasi berharga dari sejumlah besar data. KNN dipilih karena kesederhanaannya dan kemudahan dalam pengelompokan data dengan cara menilai kedekatan objek baru, atau “tetangga terdekat” (K). algoritma ini mengelompokkan data berdasarkan jarak terdekat, Dimana hasil baru ditentukan oleh mayoritas kategori dari tetangga terdekatnya. Dalam penelitian ini, digunakan dataset TBC yang terdiri dari 300 data pasien, baik yang terdiagnosis maupun yang tidak. Penelitian ini memanfaatkan perangkat lunak RapideMiner. Hasil dari eskperimen menunjukkan bahwa metode KNN menghasilkan Tingkat akurasi terbesar 75.00% dalam pengelompokan penyakit TBC. Dengan demikian, KNN sangat terbukti efektif dalam melakukan pengklasifikasian, meskipun Tingkat akurasi terakhir masih tergantung pada data yang dianalisis, sehingga dibutuhkan evaluasi serta pembaruan yang berkelanjutan. Kata Kunci: Klasifikasi penyakit, Tuberkulosis (TBC), K-Nearest Neighbors (KNN), Data Mining, RapidMiner
Klasifikasi Status Akademik Mahasiswa Menggunakan Decision Tree Sinta Bella; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 2 (2025): Volume 4 Nomor 2 Oktober 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas pemodelan klasifikasi status mahasiswa berdasarkan data akademik dengan menerapkan algoritma Decision Tree menggunakan RapidMiner. Data yang dianalisis meliputi variabel seperti indeks prestasi kumulatif (IPK), jumlah SKS, lama studi, dan faktor usia. Proses klasifikasi dilakukan melalui tahapan pra-pemrosesan data, pembangunan model, serta evaluasi menggunakan confusion matrix dan metrik akurasi. Hasil analisis menunjukkan bahwa model yang dibentuk mampu mengidentifikasi pola-pola yang memengaruhi kelulusan mahasiswa, dengan tingkat akurasi mencapai 66,67%. Pendekatan ini diharapkan dapat menjadi alat bantu strategis dalam mendukung pengambilan keputusan akademik berbasis data dan memperbaiki sistem pemantauan kelulusan di lingkungan perguruan tinggi. Kata Kunci: Klasifikasi, Decision tree, RapidMinner, Status Mahasiswa, Data Akademik This study focuses on modeling the classification of student graduation status using the Decision Tree algorithm implemented through RapidMiner. The academic data includes variables such as Grade Point Average (GPA), total credit hours, study duration, and age. The classification process involves data preprocessing, model building, and evaluation using a confusion matrix and accuracy metrics. The results indicate that the model effectively identifies patterns influencing student graduation outcomes, achieving an accuracy rate of 66.67%. This approach is expected to serve as a strategic tool to support data-driven academic decision-making and to improve student progress monitoring systems in higher education institutions. Keywords: classification, decision tree, RapidMiner, student status, academic data
Co-Authors Abdul Hadi Abdur Rohman Nurut Toyyibin Abrori, Syariful Ach. Zubairi Achmad Fathoni Verdian Afcharina Diniyil Muhlisin Afrizal Rizqy Pratama Ahmad Homaidi Ahmad Muflih Wafir Ahmad Syahril Lail Ahmad Wahyu Fernando Ahmed Arifi Hilman Rahman Ahsin Ilallah Ainul Fadil Aisyah Putri Sabrina Akhlis Munazilin Alfan Jamil Alfi Fahira Salsabila Alfi Khairunnisa Alfina Damayanti Alfiyah Aurella Alifan Ibrohim Alifia Rosa Firdausiah Alviatur Rizqiyah Amelia Ismatul Hawa Ammar Farisi Anang Maulana Zulfa Angeli Dwiyanti Nur’azizah Anisa Anisa Anwar Anas Anzori Arif Ferdiansyah audiatul jinan Auliya Apriliana Aviatus Sholiha Bagas Wira Yuda Basmalia Bina Cahya Pamungkas, ihya16092002 Citra Nursihah Danil Bahroni Della Natasya Diana Uzlifatul Khairu Ummah Dila Puspita Dewi Diva Maulana Dwi Alya Putri Arifany Dzakwan Rohmatul Hanif Elvi Nazulia Rahma Elvina Eldiavani Epariani Erinia Dzikrotul Kharimah Fahrillah Fahrillah Faqih Nur Rahman Fatimah Isa Auliya Fatma Nur Afifah Faza Qori Aina Fikri Rostina Firda Wati Husaini Kulsum Fitri Elvi Karisma Fitria Ayu Ulandari Hafidz, M. Fajar Hasna Ruhmaniatin Herlinatus Safira Muasolli Hermanto , Hijrah Hijriah Holida Izzatilla Holil Asy’ari Huday, Ahmad Ifan Farimulyadi Ifan Prasetyariansyah Ifqy Ahmad Fahrizal iin, Nur Inayah Ika Indah Khasanah ila, Sufatun Aila Ilham Rafi Jawara Ilham Rafiqi Imam Nawawi Imelda Valentina Octavia Indah Novita Sari Iqbal Ainul Yaqin Irfansyah, Khairullah Irham, Muhammad Nazril Irma Yunita Islamiyatul Addewiyah Ismawati Ismawati Ismawati Ivana Dwikartika Sari j-sika Jarot Dwi Jarot Dwi Prasetyo Jefri Jefri Jesika Maya Nur Islami Kayyisah Fakhirah Kevin Riyas Robbani Khairul Anam Khozaimah Dian Islami Komarul Imam Laila Devi Sari LAILATUL FITRIYAH Lailatul Risqia Lailatus Syarifah Lailatussyarifah Lina Sosiana Lisa Novia Ramdani Lubebetun Nafisa Lukman Fakih Lukman Fakih Lidimilah Luluk Nuril Mukarromah Lutfiana , Nurisma Lutfiyatul F Anas Lu’luul Maulidya Nova M. Andrik Muqorrobin P M. Andrik Muqorrobin Pratama M. Fazlur Rahman Assauqi Maharani Rahmatul Hanani Mahmudi Mahmudi Mamluatur Rizkiyatun Nafiah Manda Nuria Suhailatin Najwa Maruf Ubaidillah Maryana Mashuri, Ahmad Meliana Khamisah Mifta Wilda Al -Aluf Miftahul Arif Aldi Milka Afifah Rahmatillah Mochammad Rofi Mochammad Syukron Ramadani Moh. Agus Efendi Moh. Baha’Uddin Moh. Syahrul Iskandar Moh. Zaini Romly Mohamad Faezal Fauzan Nanda Mohammad Alfian Husni Mubarok Mohammad Farhan Fatah Muchammad Atfal Nur Afil Muflihatul Hasanah Muftiyah Zakiyah Muhamad Auliya Muhamad Ilhan mansiz Muhammad Al Madany Muhammad Faidhurrahman Wahid Muhammad Hanif Zaky Ubaidillah Muhammad Hasan Muhammad Robitul Umam Muhammad Trisnawadi Ismardani Mutmainnah Ilmiatul Faidah Muyessiroh Muzayyana, Muzayyana Mu’tashim Billah Rahman Nabila Khansa Nabila Sofia Az-zahra Nadia Selvi Ramadhani Nafisatul Insiyah Naqibuzzahidin Naufal Arif Maulana Nur Aida NUR AINI Nur Azise Nur Dina Kamelia Nur Laili Mukarromah Nur Rizatul Mufidah Nur Sahila Chapsah Nur Saputra, Zuhrian Nurin Naimah Nurisma Lutfiana Prastika Buya Hakim Putri Anindya Damayanti Qittratul Ameliatus Qurratul Aini Rafi Jawara, Ilham Raihan Asriel Afandi Ratu Maulidia Anggraini Regina Izza Aofkarina Riatul Jannah Rifki Dwi Saputra Risma Alfiatul Karima Risqiatus Syarifah Risqiyati Amilia Ningsih Rita Irawati rizka, Rizka Aprilia Ningsih Rizki Hidayaturrochman Rosita Natania Maulani Rudi Ananta Al Hidayah Ruqoyyatul Widad Ruwaida Khollatil Widat Safitri Nurul Qomariyah Sagita Maesarah Septi Camelia Ulfa Sidra Al Zahro Sinta Bella Sinta Dewi Anggraeni Siti Aysatin Rodia Siti Imroatul Jannah Siti Kholifah Siti Maghfiroh Siti Nabilatul Hoiroh Siti Nur Azizah Siti Romlah Siti Sulaiha Sitti Ainur Rofiqotul Anisa Sofi Naila Nuriyazih Sofyan, Moh Sofyan Alfandi SU'AYDI, AHMAD SU'AYDI Suci Mulianingsih Sukiman Eki Putra Sulistia Wardani Supri Arrohman Syaiful Hasan Abdullah Syirva Nada Fidya Tadzkirotul Latifah Taufik Saleh Ubeitul Maltuf Ulvi Munawaroh Ummi Fadlilatuz Zakiyah Ummil Mahfudoh Ummul Khoirun Fitriyah Uny Khafifah USWATUN HASANAH Wafi Riga Ramadhani Wafi, Wafi Wardatul Gufronia Wildatul Hasanah Winda Yanti Umami Wiwik Handayani Wulan Shelfiana Kamil Yeni nur hasanah Yua Isman Islam Yulina Sari Zahrafil Jannah Zainur Rahman Zakiyatus Solehah