Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Engineering Jurnal bidang Teknik ALMUISY: Journal of Al Muslim Information System
Hasbi Firmansyah
Universitas Pancasakti Tegal
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Desain Filter Meta Bermasker ( Instagram & Facebook ) Mangrove Berbasis Augmented Reality Hasbi Firmansyah
JURNAL ENGINEERING Vol. 14 No. 1 (2023)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24905/jureng.v14i1.33

Abstract

Kreativitas dalam merancang karya dikembangkan dengan menggunakan augmented reality untuk menjadi alat desain yang interakttif. Pengguna-an AR di-support oleh platform medsos seperti IG(Instagraam) yang memperkenalkan AR dalam fungsi filternya. Model AR tidak terbatas pada model yang dibuat oleh pengembang internal, tetapi juga dapat berupa konten buatan pengguna dengan Spark AR. Pada akun AR Spark Hasbi Firmansyah menggunakan model ini sebagai institusi yang berupaya meningkatkan brand awareness melalui penggunaan augmented reality menggunakan masker wajah Spark AR. Tujuan dari penelitian ini adalah untuk menyajikan alur kerja dan hasil yang diperoleh untuk merancang dan menerbitkan filter Instagram berbasis AR dengan masker wajah Spark AR. Metodologi yang digunakan dalam penelitian ini menggunakan metode penelitian kualitatif dan studi kasus alami, dan hasilnya dipublikasikan dalam bentuk desain filter yang menampilkan hasil tindakan pengguna dari waktu ke waktu.
Penanganan Missing Value dan Perbandingan Performa Algoritma Naïve Bayes serta Algoritma Decision Tree dalam Kelulusan Mahasiswa Sulistyaningrum Sulistyaningrum; Hasbi Firmansyah; Eko Budi Raharjo; Wildani Eko Nugroho
ALMUISY: Journal of Al Muslim Information System Vol. 4 No. 1 (2025): ALMUISY: Journal of Al Muslim Information System
Publisher : LPPM STMIK AL MUSLIM

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

Abstract

Abstrak Penelitian ini membahas penanganan missing value serta perbandingan performa algoritma Naïve Bayes dan Decision Tree dalam memprediksi kelulusan mahasiswa. Dataset yang digunakan mencakup data akademik mahasiswa yang dimanipulasi untuk mensimulasikan missing value. Metode imputasi, seperti Mean Imputation, K-Nearest Neighbors, dan Iterative Imputation, diterapkan untuk menangani nilai yang hilang. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki performa lebih unggul dibandingkan Naïve Bayes, dengan akurasi mencapai 92,1% dibandingkan 85,3% pada Naïve Bayes. Keunggulan ini menunjukkan bahwa Decision Tree lebih efektif dalam menangkap pola data dengan hubungan antar fitur yang kompleks. Studi ini memberikan kontribusi terhadap pengembangan metode prediksi berbasis data untuk mendukung kebijakan akademik, termasuk penanganan missing value yang optimal dan pemilihan algoritma yang tepat. Abstract This study examines the handling of missing values and compares the performance of the Naïve Bayes and Decision Tree algorithms in predicting student graduation. The dataset includes academic records that were manipulated to simulate missing values. Imputation methods such as Mean Imputation, K-Nearest Neighbors, and Iterative Imputation were applied to address missing data. The evaluation utilized metrics such as accuracy, precision, recall, and F1-score. The results indicate that the Decision Tree algorithm outperforms Naïve Bayes, achieving an accuracy of 92.1% compared to 85.3% for Naïve Bayes. This superiority highlights that Decision Tree is more effective in capturing data patterns with complex inter-feature relationships. This study contributes to the development of data-driven prediction methods to support academic policies, including optimal missing value handling and the selection of appropriate algorithms.
Co-Authors Eko Budi Raharjo Sulistyaningrum Sulistyaningrum Wildani Eko Nugroho