Article Per Year (5 Year)
p-Index From 2021 - 2026
2.286
P-Index
This Author published in this journals
All Journal Indonesian Journal of Artificial Intelligence and Data Mining JSiI (Jurnal Sistem Informasi) JURIKOM (Jurnal Riset Komputer) JURTEKSI JOURNAL OF SCIENCE AND SOCIAL RESEARCH Jurnal Teknisi Jurnal Informatika dan Teknologi Informasi RJOCS (Riau Journal of Computer Science)
Manurung, Nuriadi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
K-MEANS CLUSTERING METHOD FEASIBILITY OF SCHOOL BUILDING REHABILITATION IN KABUPATEN ASAHAN Nurhani, Irma; Manurung, Nuriadi; Rahayu, Elly
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 2 (2025): Maret 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i2.3730

Abstract

Abstract: School building construction is an important part of educational facilities and infrastructure. Many elementary school buildings in Asahan Regency are damaged, unfit for use or lack facilities including classrooms and other supporting infrastructure. The results of the selection that are not transparent in deciding the feasibility of rehabilitation and construction of elementary school buildings are often subjective and time-consuming. This causes decisions to be taken that cannot be made as quickly as possible and inequality, where schools that actually need rehabilitation more do not get priority for rehabilitation. The purpose of this study is to implement data mining in the selection of school building construction projects with the K-Means clustering algorithm in clustering the feasibility of rehabilitation of elementary school building construction. The results of this study found 31 elementary schools that are eligible for school building construction rehabilitation and 4 are not eligible for school building construction rehabilitation. This study is expected to provide a significant contribution in increasing the efficiency of school building construction selection and more transparency towards elementary school buildings to be rehabilitated.       Keywords: education authorities; k-means; rehabilitation and construction of school buildings.  Abstrak: Pembangunan gedung sekolah ialah bagian penting dalam sarana dan prasarana pendidikan.  Banyak gedung Sekolah Dasar di Kabupaten Asahan menderita kerusakan, tidak layak pakai atau kekurangan fasilitas meliputi ruang kelas dan infrastruktur pendukung lainnya. Hasil penyeleksian yang bersifat tidak transparan dalam memutuskan kelayakan rehabilitasi dan pembangunan gedung Sekolah Dasar sering kali bersifat subjektif dan memakan waktu lama.Hal tersebut menyebabkan keputusan yang diambil tidak dapat dilakukan secepat mungkin serta ketimpangan, dimana sekolah yang sebenarnya lebih membutuhkan rehabilitasi justru tidak mendapatkan prioritas untuk direhabilitasi. Tujuan penelitian ini ialah mengimplementasi data mining pada pemilihan proyek pembangunan gedung sekolah dengan algoritma K-Means clustering dalam mengcluster kelayakan rehabilitasi pembangunan gedung sekolah dasar. Hasil Penelitian ini terdapat 31 sekolah dasar layak untuk direhabilitasi pembangunan gedung sekolah dan 4 tidak layak untuk direhabalitasi pembangunan gedung sekolah. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam menaikkan efisiensi penyeleksian pembangunan gedung sekolah dan lebih transparansi terhadap gedung sekolah dasar yang akan direhabilitasi.Kata kunci: dinas pendidikan; k-means; rehabilitasi dan pembangunan gedung sekolah.
MODEL GROUP DECISSION SUPPORT SYSTEM DALAM PEMILIHAN MEDIA PROMOSI PENERIMAAN MAHASISWA BARU PERGURUAN TINGGI SWASTA Manurung, Nuriadi; Amalia, Amalia; Anjani, Anjani
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 4 (2025): November 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i4.4246

Abstract

Abstract: To maintain stability and increase student enrollment, various promotional efforts are undertaken, including billboards, school visits, social media, radio, and other channels. However, these promotions do not prioritize appropriate promotional media, resulting in significant costs and resource constraints. The purpose of this study is to evaluate the best promotional media that can assist management in determining efficient promotional media priorities through a decision support system model. The decision support system used is a Group Decision Support System (GDSS) approach with multiple respondents. The method used includes the Multi-Factor Evaluation Process (MFEP), Multi-Attribute Utility Theory (MAUT), and Multi-Objective Optimization by Ratio Analysis (MOORA). The BORDA method is used as the final solution for the single best promotional media. The results of the study using the Borda method ranked social media and billboards as the best alternatives, followed by broadcasts and brochures, with radio coming in last. Therefore, this decision support model can help private universities determine more effective and objective student admissions promotion strategies. Keywords: GDSS; Multi-Respondent; Multi Method; Borda; College Promotion Abstrak: Untuk menjaga stabilitas dan meningkatkan jumlah mahasiswa, berbagai upaya promosi dilakukan, termasuk melalui baliho, kunjungan ke sekolah-sekolah, promosi di media sosial, radio, dan lainnya. Namun, promosi yang dilakukan belum mempertimbangkan prioritas media promosi yang tepat, sehingga berdampak pada biaya dan sumber daya yang besar. Tujuan penelitian ini adalah untuk mengevaluasi media promosi terbaik yang dapat membantu manajemen dalam menentukan prioritas media promosi yang efisien melalui model sistem pendukung keputusan. Metode yang digunakan yaitu Sistem pendukung keputusan yang akan digunakan adalah dengan pendekatan Grup Decission Support System (GDSS) dengan multi responden dan penggunaan metode antara lain Multi Factor Evaluation Process (MFEP), Multi-Attribute Utility Theory (MAUT) dan metode Multi-Objective Optimization by Ratio Analysis (MOORA) dan dengan menggunakan pendekatan metode BORDA sebagai solusi final tunggal media promosi terbaik. Hasil penelitian dengan metode Borda menempatkan media sosial dan baliho sebagai alternatif terbaik, diikuti broadcast dan brosur, sementara radio menempati posisi terakhir. Dengan demikian, model pendukung keputusan ini dapat membantu perguruan tinggi swasta menentukan strategi promosi penerimaan mahasiswa baru secara lebih efektif dan objektif. Kata kunci: GDSS; Multi Responden; Multi Metode; Borda; PromosiPerguruan Tinggi
Classification of Obesity Using The Naïve Bayes Method and K-Nearest Neighbor Ari, Ilham Asy; Amin, Muhammad; Saputra, Andi; Irianto, Irianto; Manurung, Nuriadi
JURNAL TEKNISI Vol 6, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/teknisi.v6i1.5529

Abstract

Abstract: Obesity is a major health problem that significantly impacts quality of life and can trigger various chronic diseases. Early detection of obesity levels is crucial for public health management, but traditional methods such as BMI often have limitations. Solution: This study proposes a data mining-based approach using feature engineering techniques to improve the accuracy of obesity classification. The purpose of this study is to classify obesity levels and compare the performance of Naïve Bayes and K-Nearest Neighbor (KNN) methods. This research method includes preprocessing stages, feature extraction using Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA), feature selection using CFS and Chi-Square, classification with Naïve Bayes and KNN, and model evaluation using accuracy and confusion matrix on 2,111 data sets from Kaggle. The results of this study show that on the original data without LDA, KNN achieves a higher accuracy (88.41%) than Naïve Bayes (63.82%). However, after using LDA, the accuracy of Naïve Bayes increased sharply to 93.61%, surpassing KNN's 92.19%. The study concluded that KNN was more effective on raw data, while Naïve Bayes was more optimal when combined with LDA-based dimensionality reduction. Keyword:  classification_ naïve_bayes; data mining; k-nearest neighbor; obesity; LDA; PCA.  Abstract: Obesitas merupakan salah satu masalah kesehatan utama yang berdampak signifikan pada kualitas hidup dan dapat memicu berbagai penyakit kronis. Deteksi dini tingkat obesitas sangat krusial untuk manajemen kesehatan masyarakat, namun metode tradisional seperti BMI seringkali memiliki keterbatasan. Solusi: Penelitian ini mengusulkan pendekatan berbasis penambangan data (data mining) menggunakan teknik rekayasa fitur untuk meningkatkan akurasi klasifikasi tingkat obesitas. Tujuan penelitian ini adalah untuk mengklasifikasikan tingkat obesitas dan membandingkan kinerja metode Naïve Bayes dan K-Nearest Neighbor (KNN). Metode penelitian ini mencakup tahap prapemrosesan, ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan Linear Discriminant Analysis (LDA), seleksi fitur menggunakan CFS dan Chi-Square, klasifikasi dengan Naïve Bayes dan KNN, serta evaluasi model menggunakan accuracy dan confusion matrix pada 2.111 data dari Kaggle. Hasil penelitian ini menunjukkan bahwa pada data asli tanpa LDA, KNN mencapai akurasi lebih tinggi (88,41%) dibandingkan Naïve Bayes (63,82%). Namun, setelah penggunaan LDA, akurasi Naïve Bayes meningkat tajam menjadi 93,61%, melampaui KNN yang mencapai 92,19%. Kesimpulan dari penelitian ini adalah KNN lebih efektif pada data mentah, sedangkan Naïve Bayes menjadi lebih optimal ketika dikombinasikan dengan reduksi dimensi berbasis LDA. Keywords: klasifikasi naïve bayes; k-nearest neighbor; obesitas; PCA; penambangan data; LDA
Co-Authors Agus, Raja Tama Andri Amalia Amalia Andi Saputra Anggraini, Yuli Anjani, Anjani Ari, Ilham Asy Febrian, Muhammad Teguh Irianto Irianto Jhonson Efendi Hutagalung Latiffani, Chitra Lubis, Iin Almeina Muhammad Amin Muthia Dewi Nurani, Widiya Putri Nurhani, Irma Putri, Pristiyanilicia Rahayu, Elly Rhamadhani, Sri Wulan Sembiring, M Ardiansyah Sihotang, Rehani Aulia Suparmadi Wiguna, Deny Arya Yuma, Febby Madona