Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer The Indonesian Journal of Computer Science
Gori, Takhamo
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa Gori, Takhamo; Sunyoto, Andi; Al Fatta, Hanif
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 1: Februari 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241118074

Abstract

Pendidikan merupakan aspek penting dalam kehidupan masyarakat dan memiliki peran yang sangat vital untuk menciptakan sumber daya manusia yang handal dan berkualitas dalam menghadapi berbagai tantangan pada era modernisasi. Namun, putus sekolah dan retensi siswa menjadi tantangan serius bagi perkembangan pendidikan saat ini. Salah satu faktor pemicu putus sekolah adalah kinerja akademik siswa yang rendah, mendorong perlunya tindakan pencegahan yang efektif untuk mengurangi tingkat kegagalan pendidikan. Penelitian ini bertujuan untuk memprediksi kinerja akademik siswa dengan mengintegrasikan metode Correlation-Based Feature Selection (CFS) dan Algoritma Naïve Nayes pada gabungan dataset pelajaran Matematika dan Bahasa Portugis dua sekolah menengah di Portugal. Proses preprocessing data melibatkan integrasi data, pelabelan data, transformasi data, dan pembersihan data diterapkan pada tahap awal penelitian. Hasil penelitian menunjukkan bahwa atribut signifikan yang mempengaruhi kinerja akademik siswa meliputi G2, G1, Higher, Medu, Studytime, goout, Absences, dan Failures. Melalui pemodelan algoritma Naïve Bayes, metode CFS terbukti meningkatkan nilai accuracy, recall, precision, dan f1-score dalam memprediksi kinerja akademik siswa. Sebelum CFS, model Naïve Bayes menunjukkan accuracy sebesar 89.27%, dengan recall, precision, danf1-score masing-masing sebesar 89.27%, 89.86%, dan 89.47%. Setelah implementasi CFS, evaluasi model prediksi mengalami peningkatan signifikan menjadi 91.22%, 91.22%, 92.24%, dan 91.48%.
Optimasi Pemilihan Fitur untuk Prediksi Penyakit Jantung Menggunakan Algoritma Genetika dan Random Forest Gori, Takhamo; Hestiningtyas, Annisa
The Indonesian Journal of Computer Science Vol. 13 No. 5 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i5.4214

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, menekankan urgensi prediksi dini dan manajemen risiko yang efektif. Dalam upaya meningkatkan akurasi prediksi penyakit jantung, penelitian ini mengusulkan pendekatan metode GridSearchCV (GS) dan Genetic Algorithm Feature Selection (GA-FS) pada model Random Forest (RF). Setelah proses seleksi fitur dengan GA-FS, dari sebelas atribut awal dimasukkan, delapan atribut terpilih, yakni Sex, ChestPainType, RestingBP, Cholesterol, FastingBS, RestingECG, ExerciseAngina, dan ST_Slope, sementara atribut Age, MaxHR, dan Oldpeak dieliminasi. Hasil penelitian menunjukkan bahwa model RF yang dioptimalkan dengan GS dan GA-FS (RF-GS-GAFS) mencapai akurasi 91.85%, presisi 95.10%, recall 90.65%, dan F1-Score 92.82%, mengungguli model RF dengan optimasi GS (89.67%) dan RF tanpa optimalisasi (88.04%). Temuan ini memberikan kontribusi positif yang signifikan dalam meningkatkan kinerja model prediksi penyakit jantung melalui optimalisasi parameter dan pemilihan fitur menggunakan algoritma genetik.
Co-Authors Andi Sunyoto Hanif Al Fatta Hestiningtyas, Annisa