Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) Jurnal Teknologi Informasi
Mohammad Guntara
Universitas Teknologi Digital Indonesia (UTDI)
Computer Science & IT

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

Found 2 Documents
Search

 1 
Optimasi Cacah Klaster pada Klasterisasi dengan Algoritma KMeans Menggunakan Silhouette Coeficient dan Elbow Method Mohammad Guntara; Nafisatul Lutfi
JuTI "Jurnal Teknologi Informasi" Vol 2, No 1 (2023): Agustus 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/juti.v2i1.944

Abstract

Mahasiswa drop out (DO) atau undur diri merupakan masalah yang perlu ditangani sedini mungkin. Banyaknya mahasiswa drop out (DO) akan menjadikan kualitas kinerja suatu perguruan tinggi akan menurun, disamping itu juga sebisa mungkin untuk dikurangi kasus mahasiswa drop out tersebut karena akan berdampak pada apresiasi masyarakat terhadap sistim pendidikan di perguruan tinggi.Untuk mengetahui terjadinya mahasiswa DO diperlukan klasterisasi, yang dalam hal ini proses klasterisasi tersebut digunakan Algoritma K-Means. Klaster yang baik adalah yang memiliki tingkat separasi yang tinggi.Untuk menentukan cacah klaster yang paling baik (optimal) digunakan 2 metode yakni Elbow Method dan Silhoutte Coefficient penggunaan 2 metode ini sekalgus untuk menguji sejauhmana kesamaan hasil penentuan cacah klasternya. Data training yang akan dibuat klas/label berjenis unsupervised learning dengan atribut: NIM, jumlah semester tidak aktif, jumlah sks, IPK, angkatan dan jumlah record (mahasiswa) 836 mahasiswa.Berdasarkan data training tersebut kemudian menggunakan Elbow Method dan Silhuette dihasilkan penentuan cacah klaster optimal yang sama yakni k=2. Berdasarkan nilai k ini kemudian dilakukan proses klasterisasi menggunakan algoritma K-Means dan menghasilkan klas Cluster_0 dan Cluster_1. Dari sisi jumlah klaster untuk Cluster_0 terdapat 755 mahasiswa dan Cluster_1 terdapat 85 mahasiswa. Cluster_0 ini didominasi mahasiswa DO karena IPK<2,00, jumlah sks yang diambil <90 sks, dan tidak-aktif-kuliah (cuti) > 4 semester.
Komparasi Kinerja Label-Encoding dengan One-Hot-Encoding pada Algoritma K-Nearest Neighbor menggunakan Himpunan Data Campuran Mohammad Guntara; Femi Dwi Astuti
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 2 (2025): Juni 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i2.1605

Abstract

Algoritma K-Nearest Neighbor (KNN) adalah salah satu algoritma dalam data mining, bekerja didasarkan pada pengukuran jarak antara tupel pada data-uji dan masing-masing data-latih untuk memutuskan luaran klasifikasi akhir. Pada algoritma ini jenis data pada tiap atribut harus berupa numerik atau kontinyu, karena dihitung jarak setiap atribut yang sama untuk setiap tupel dengan tupel yang akan dicari kelasnya. Akan tetapi pada realitanya himpunan-data yang akan diolah tidak selalu berupa numerik, tetapi dapat berupa kategorikal baik nominal maupun ordinal.Untuk data numerik dapat langsung diolah tanpa proses transformasi(pengodean), adapun untuk  jenis data nominal pengodean ke numerik dilakukan dengan metode label umumnya berupa nomor urut, namun hal ini dirasa kurang tepat mengingat nomor urut bersifat kuantitatif , Untuk itulah digunakan pengodean dengan metode one-hot-encoding (OHE) dimana setiap item data pada suatu atribut dikonversi ke bit 1 dan 0 yang menjadikan antar obyek pada himpunan-data setara. Untuk mengetahui sejauh mana akurasi transformasi OHE dibanding transformasi label diimplementasikan pada algoritma KNN untuk prediksi kelulusan mahasiswa dimana terdapat 2 jenis atribut yakni numerik dan nominal. Berdasarkan pengujian 2 metode pengodean tersebut diketahui bahwa akurasi transformasi dengan OHE pada berbagai nilai neighbor lebih tinggi dibanding metode label, sedangkan kecepatan proses kedua metode pengodean relatif sama.
Co-Authors Femi Dwi Astuti Nafisatul Lutfi