Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JITK (Jurnal Ilmu Pengetahuan dan Komputer) Media Informatika
Hijrah
Sekolah Tinggi Agama Islam Negeri Teungku Dirundeng Meulaboh
Computer Science & IT

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

Found 2 Documents
Search

 1 
Prediksi Kelulusan Mahasiswa Program Pendidikan Multi Profesi 1 Tahun dengan Metode Naïve Bayes Suhendra Anjar Dinata; Hijrah; Rahmat Musfikar
Media Informatika Vol 21 No 1 (2022)
Publisher : P3M STMIK LIKMI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (699.331 KB) | DOI: 10.37595/mediainfo.v21i1.85

Abstract

Tingkat kelulusan mahasiswa program pendidikan multi profesi satu tahun El Rahma sejak tahun akademik 2014 sampai 2016 mengalami penurunan. Kondisi tersebut sehingga mendorong pihak El Rahma melakukan evaluasi serta menyusunlangkah langkah strategis terhadap permasalahan tersebut untuk meningkatkan tingkat kelulusan mahasiswa dengan cara sasaran mutu bisa tercapai. Evaluasi terhadap permsalahan program studi tersebut perlu ditingkatkan dengan membuat sebuah sistem untuk memprediksi tingkat kelulusan pada proses perkuliahan. Dengan teknik data mining khususnya dalam klasifikasi untuk prediksi dengan algoritma klasifikasi naive bayes dapat dilakukan prediksi terhadap kelulusan studi dari mahasiswa. Data training dan testing yang digunakan diambil secara random pada data master yang digunakan adalah data kelulusan tahun 2016. Algoritma naive bayes mampu menghitung perbandingan peluang antara jumlah masing-maisng kriteria nilai atribut terhadap nilai hasil prediksi kelulusan mahasiswa. Dari penelitian dengan menggunakan data mahasiswa sebanyak 229 dengan jumlah 171 mahasiswa lulus dan 58 mahasiswa tidak lulus makan dengan menerapkan algoritma Naïve bayes didapatkan hasil bahwa tingkat akurasi menunjukan 90,85 % hal ini menunjukan bahwa algoritma naïve bayes baik diterapkan dalam melakukan prediksi kelulusan mahasiswa adapun hasil dari klasifikasi algoritma naïve bayes dapat diketahui attribut yang memberikan pengaruh pada tingkat kelulusan mahasiswa program pendidikan multi profesi satu tahun El Rahma diantaranya jenis kelamin, daerah asal, status marital, asal sekolah, status kerja, SPP bulanan, umur dan gelombang
HYBRID K-MEANS, FP-GROWTH, AND RANDOM FOREST FOR ACCURATE UKT PREDICTION IN WEST-SOUTHEAST ACEH Hijrah; Jessika
JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer) Vol. 12 No. 1 (2026): JITK Issue August 2026
Publisher : LPPM Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/jitk.v12i1.7469

Abstract

Predicting the Single Tuition Fee (UKT) in economically vulnerable areas remains challenging due to diverse socioeconomic conditions and the limited capacity of existing models to capture interactions among contributing factors. This study proposes a hybrid framework that integrates segmentation, pattern discovery, and classification to improve UKT prediction accuracy in the Southwest Aceh region. Data from 452 student records were analyzed through three main stages: cluster-based socioeconomic segmentation, association pattern discovery to reveal dominant factor relationships, and the integration of these hybrid features into a Random Forest model. To ensure model stability and prevent data leakage, the framework was evaluated using a multilevel 5-fold cross-validation strategy. The developed model achieved 93.4% accuracy, demonstrating a significant improvement over baseline demographic models while identifying key socioeconomic determinants of UKT assignment. The proposed framework demonstrates how hybrid learning strategies can improve fairness and transparency in educational financial decision systems. These findings highlight the potential of the hybrid framework to support fairer and more data-driven tuition policies, offering a robust evaluation design for educational finance modeling in Indonesia.
Co-Authors Jessika Rahmat Musfikar Suhendra Anjar Dinata