Claim Missing Document
Check
Articles

PENINGKATAN KAPASITAS SDM PPPK PEGAWAI LOKA MONITOR SPEKTRUM FREKUENSI RADIO PANGKALPINANG Delpiah Wahyuningsih; Parlia Romadiana; Rezky Yuranda; Devi Irawan; Chandra Kirana; Anisah
Jurnal Pengabdian Masyarakat Berbasis Teknologi Vol 7 No 01 (2026): Volume 7, Nomor 1, Mei 2026
Publisher : ISB Atma Luhur

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

Abstract

Penguasaan teknologi informasi merupakan kompetensi krusial bagi pegawai instansi pemerintah guna mendukung efisiensi pelayanan publik dan tertib administrasi. Kegiatan Pengabdian kepada Masyarakat (PKM) ini bertujuan untuk meningkatkan kapasitas SDM bagi Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) di Loka Monitor Spektrum Frekuensi Radio Pangkalpinang melalui pelatihan optimalisasi aplikasi perkantoran, khususnya Microsoft Word dan Microsoft Excel. Metode pelaksanaan dilakukan selama tiga hari yang terdiri dari tahap pembekalan materi dasar, workshop teknis secara hands-on yang disertai sesi diskusi interaktif di Soll Marina Hotel & Conference, serta tahap evaluasi melalui penyelesaian studi kasus mandiri. Hasil evaluasi kegiatan menunjukkan adanya peningkatan pemahaman dan keterampilan praktis peserta secara signifikan. Peserta kini mampu menyusun laporan teknis yang terstandardisasi menggunakan fitur styles di MS Word serta mengolah data teknis spektrum frekuensi secara lebih cepat dan akurat menggunakan fungsi logika di MS Excel. Simpulan dari kegiatan ini adalah pelatihan intensif dengan metode pendampingan langsung dan diskusi dua arah sangat efektif dalam memperkuat keterampilan digital pegawai PPPK guna mendukung produktivitas dan kualitas layanan di lingkungan Loka Monitor Pangkalpinang. Kata kunci: Kapasitas SDM, PPPK, Microsoft Word, Microsoft Excel, Loka Monitor.
Analisis Komparatif GridSearchCV pada SVM, Logistic Regression, dan Random Forest untuk Klasifikasi Saham TINS Nilam Anggraini; Chandra Kirana; Delpiah Wahyuningsih
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16483

Abstract

Penelitian ini bertujuan untuk mengevaluasi serta membandingkan kinerja algoritma Support Vector Machine (SVM), Logistic Regression, dan Random Forest dalam klasifikasi arah pergerakan saham PT Timah Tbk (TINS) tahun 2025 dengan optimasi hyperparameter berbasis GridSearchCV. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan rancangan komparatif terhadap 227 data harian saham TINS periode Januari–Desember 2025 yang setelah proses feature engineering menghasilkan 218 data siap pemodelan. Tahapan penelitian meliputi data preparation, exploratory data analysis, feature engineering berbasis return, moving average, volatilitas, momentum, dan volume, normalisasi menggunakan standardization, pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta menilai model menggunakan metrik accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, dan cross-validation accuracy. Hasil penelitian mengindikasikan bahwa Logistic Regression merupakan model terbaik dengan nilai accuracy sebesar 0,5714, precision 0,5714, F1-score 0,4706, dan ROC-AUC tertinggi sebesar 0,6136. Sementara itu, SVM menghasilkan recall tertinggi sebesar 0,6500, sedangkan Random Forest memperoleh performa yang relatif stabil dengan ROC-AUC sebesar 0,5227. Temuan penelitian menunjukkan bahwa fitur berbasis volatilitas dan range harga memiliki pengaruh paling signifikan terhadap klasifikasi arah pergerakan saham TINS. Novelty penelitian ini terletak pada analisis komparatif tiga algoritma machine learning dengan Optimasi GridSearchCV pada data saham TINS menggunakan fitur teknikal yang dirancang untuk menangkap pola harga nonlinier dan volatilitas pasar secara lebih representatif. Kata Kunci: Hyperparameter, Machine Learning, Feature Engineering, Klasifikasi, GridSearchCV
Explainable XGBoost-Based Prediction of Student Reading Interest Using Digital Learning and Reading Behavior Indicators Delpiah Wahyuningsih; Heki Aprianto; Lili Indah Sari; Wishnu Aribowo Probonegoro; Sri Rahayu; Serly Oktarina
Journal of Information System and Informatics Vol 8 No 4 (2026): August
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v8i4.1698

Abstract

Reading interest is an important indicator of academic engagement and lifelong learning, yet its relationship with digital learning behavior remains underexplored in higher education. This study proposes an explainable machine learning framework to predict student reading interest using digital learning behavior, reading habits, and demographic characteristics. Data were collected through self-reported questionnaires from 300 Indonesian university students. Reading interest was formulated as a binary target variable, and three feature scenarios were evaluated: digital behavior only (S1), reading behavior only (S2), and an integrated model combining all features (S3). The dataset was divided using an 80:20 stratified train–test split, with SMOTE applied only to the training data to address class imbalance while preventing information leakage. S3 achieved the highest ROC-AUC (91.92%) and cross-validation F1-score (86.62% ± 3.34%), while S1 obtained the same test accuracy (84.29%) and a slightly higher test F1-score (85.33%). SHAP analysis provided interpretability by identifying daily reading duration and monthly book count as key predictors. These findings indicate that multidimensional behavioral indicators can support early student-engagement screening systems. However, results from a single institutional context require cautious interpretation.