Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JITU : Journal Informatic Technology And Communication Fahma : Jurnal Informatika Komputer, Bisnis dan Manajemen
Fatah , Zaehol
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Library & Information Science

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Pengelompokan Prestasi Mahasiswa Universitas Malang Menggunakan Metode K-Means Clustering Aqil, Moh. Aqil Mukhtar Alfarera; Fatah , Zaehol
JITU Vol 8 No 2 (2024)
Publisher : Universitas Boyolali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36596/jitu.v8i2.1704

Abstract

Pilihan tepat menggunakan data mining dalam menganalisis penerapan teknik K-Means Clustering dalam pengelompokan data prestasi mahasiswa universitas malang (UM). Dengan meningkatnya jumlah mahasiswa dan variasi prestasi, pengelolaan data prestasi di perguruan tinggi menjadi lebih kompleks, sehingga metode manual tidak cukup memadai. K-Means Clustering dipilih karena kemampuanya untuk mengelompokan data berdasarkan atribut tertentu, yang memudahkan identifikasi pola dan tren. Penelitian ini bertujuan membuktikan efektivitas K-Means dalam menganalisis data prestasi, serta menambah literatur mengenai penerapan data mining di pendidikan. Dataset yang digunakan mencakup indeks prestasi mahasiswa dari berbagai program studi di Universitas Malang pada periode 2018 hingga 2022. Data diolah untuk mengelompokan prestasi mahasiswa secara efisien. Model klastering dibangun menggunakan salah satu algoritma dalam metode clustering yaitu K-Means. Penelitian ini menghasilkan klaster terbaik dengan jumlah 3 klaster, proses untuk menentukan pengelompokan terbaik dilakukan dengan menguji model 6 klaster yang berbeda. Pemilihan klaster terbaik dilakukan menggunakan pengujian indeks Davies Bouldin. Berdasarkan penelitian dengan hasil 3 kelompok tersebut dapat dikategorikan sebagai, cluster 0 dengan kategori rendah dengan nilai 100, cluster 1 dengan kategori tinggi dengan nilai 4.100, dan cluster 2 dengan kategori menengah dengan nilai 1.900.
Klasifikasi Tier Karakter Shorekeeper pada Game Wuthering Waves Menggunakan Algoritma Naïve Bayes Fatah , Zaehol; Sirajuddeni
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 23 No 1 (2025): Januari 2025
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v23i1.144

Abstract

Industri video game memberikan dampak nyata terhadap bentuk permainan dalam bentuk digital. Wuthering Waves merupakan video game yang dapat dibuat bermain secara bersama secara  online dengan multi player. yang kaya dan kompleks. Analisis pada tingkat kekuatan karakter Shorekeeper menggunakan metode Naïve Bayes Classifier  untuk pengklasifikasian data secara akurat, efektif dan efisien. Data training dan testing digunakan untuk menentukan probabilitas karakter berdasarkan atribut rarity, elemen, dan senjata. Hasil analisis menunjukkan bahwa Shorekeeper tergolong dalam kategori Tingkat S, menunjukkan kekuatan yang tertinggi. Pemahaman terhadap atribut karakter dalam game menjadi penting untuk mengoptimalkan strategi permainan. Hasil yang diperoleh memberikan wawasan bagi pengembang game dan pemain dalam menentukan efektivitas karakter yang berbeda, serta memiliki kontribusi terhadap dinamika permainan yang lebih luas.
Klasifikasi Tier Karakter Shorekeeper pada Game Wuthering Waves Menggunakan Algoritma Naïve Bayes Sirajuddeni; Fatah , Zaehol
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 23 No 1 (2025): Januari 2025
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v23i1.144

Abstract

Industri video game memberikan dampak nyata terhadap bentuk permainan dalam bentuk digital. Wuthering Waves merupakan video game yang dapat dibuat bermain secara bersama secara  online dengan multi player. yang kaya dan kompleks. Analisis pada tingkat kekuatan karakter Shorekeeper menggunakan metode Naïve Bayes Classifier  untuk pengklasifikasian data secara akurat, efektif dan efisien. Data training dan testing digunakan untuk menentukan probabilitas karakter berdasarkan atribut rarity, elemen, dan senjata. Hasil analisis menunjukkan bahwa Shorekeeper tergolong dalam kategori Tingkat S, menunjukkan kekuatan yang tertinggi. Pemahaman terhadap atribut karakter dalam game menjadi penting untuk mengoptimalkan strategi permainan. Hasil yang diperoleh memberikan wawasan bagi pengembang game dan pemain dalam menentukan efektivitas karakter yang berbeda, serta memiliki kontribusi terhadap dinamika permainan yang lebih luas.
Co-Authors Aqil, Moh. Aqil Mukhtar Alfarera Sirajuddeni