Claim Missing Document
Check
Articles

Found 3 Documents
Search

IMPLEMENTATION OF DATA MINING ROUGHT SET IN ANALYZING LECTURER PERFORMANCE Hadiyanto, Tegas; Sari, Fitri Permata; Budiarti, Lela; Syahputra, Afriadi; Wirahmadayanti, Isna
Jurnal Sistem Informasi dan Ilmu Komputer Vol. 7 No. 2 (2024): JUSIKOM: JURNAL SISTEM INFROMASI ILMU KOMPUTER
Publisher : Fakultas Teknologi dan Ilmu Komputer Universitas Prima Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34012/jurnalsisteminformasidanilmukomputer.v7i2.4842

Abstract

Lecturers are professional educators or scientists with the main task of transforming, developing, and disseminating science, technology, and art through education, research, and community service by the Tridharma of Higher Education. The main task of lecturers is to implement the tri dharma of higher education with the scope of activities in the form of teaching, research, and community service. Based on this, the Payakumbuh College of Technology assesses lecturers' performance to maintain the educational institution's quality. A method is needed to identify the quality of lecturers' performance. Lecturer performance can be determined using a rough set approach with several stages. Rough set is a data mining technique applied in several fields, including selecting study programs and predicting mobile phone sales income. Based on the results of using the rough set method, lecturer performance information is produced in a certain period, which aims to help leaders understand the possible performance of lecturers in a certain period. The benefit that can be obtained is that the knowledge obtained through the rough set method can determine the possibility of achieving lecturer performance.
Penerapan Support Vector Machine dalam Analisis Sentimen Ulasan Pluang di Google Play Store Huda, Ramzil; sari, Fitri Permata; Auriga, Wira
Technologica Vol. 4 No. 2 (2025): Technologica
Publisher : Green Engineering Society

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55043/technologica.v4i2.318

Abstract

Kemajuan teknologi digital saat ini telah mendorong munculnya berbagai aplikasi mobile yang memberikan kemudahan bagi masyarakat Indonesia dalam berbagai aspek kehidupan, salah satunya adalah aplikasi Pluang. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Pluang dengan mengklasifikasikan ulasan tersebut menjadi dua kategori, yaitu positif dan negatif, melalui analisis sentimen menggunakan metode Support Vector Machine (SVM). Pendekatan kernel linear digunakan untuk mengevaluasi akurasi model dalam mengklasifikasikan ulasan aplikasi. Hasil penelitian menunjukkan bahwa model SVM berhasil mengklasifikasikan sentimen ulasan dengan akurasi sebesar 84,74%, dengan precision dan recall untuk sentimen positif masing-masing 0,88, serta precision dan recall untuk sentimen negatif sebesar 0,78 dan 0,79. Selain itu, ulasan terbanyak berasal dari kategori positif dengan jumlah 1.071 ulasan
Implementasi Extreme Gradient Boosting (XGBoost) untuk Klasifikasi Penggunaan Ulang Asisten AI Permata Sari, Fitri; Budiarni, Rini
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1402

Abstract

Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengkategorikan variabel UsedAgain, yang mencerminkan kecenderungan mahasiswa untuk kembali menggunakan asisten AI dalam proses pembelajaran. Dataset sintetis yang diambil dari Kaggle yang berisi 10. 000 data dan 11 atribut diproses melalui beberapa langkah, termasuk preprocessing, konversi variabel kategori ke numerik, penyeimbangan kelas dengan metode SMOTE, serta pengaturan hyperparameter untuk mencapai konfigurasi model yang terbaik. Hasil dari pengujian menunjukkan bahwa model XGBoost dengan parameter terbaik (learning_rate = 0,1; max_depth = 5; n_estimators = 200; subsample = 0,8) memperoleh akurasi sebesar 93,25%, precision 87,09%, recall 91,25%, dan F1-score 89,12%. Temuan ini mengindikasikan bahwa XGBoost efektif dalam mengidentifikasi pola interaksi mahasiswa dengan asisten AI. Kontribusi utama penelitian ini adalah memberikan dasar analitik yang kuat untuk memahami faktor-faktor perilaku mahasiswa dalam memanfaatkan asisten AI, sehingga hasil model dapat mendukung institusi pendidikan dalam merancang strategi pembelajaran berbasis teknologi yang lebih adaptif dan tepat sasaran.