Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JSR : Jaringan Sistem Informasi Robotik Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN)
Putra, Febri Andika
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Mechanical Engineering Social Sciences Other

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

Found 3 Documents
Search

 1 
Algoritma K-Nearest Neighbor Untuk Peramalan Kelulusan Mahasiswa Andika Putra, Febri; Pratama, Muhammad Harits
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 4 No. 1 (2024): Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/justikpen.v4i1.128

Abstract

Universitas Adzkia salah satu kampus swasta di Kota Padang dengan jumlah mahasiswa mencapai ribuan dan terus meningkat setiap tahunnya, manajemen kampus masih belum sepenuhnya memahami manfaat dari data akademik yang terus bertambah. Kondisi ini menunjukkan bahwa masih ada potensi yang belum tereksplorasi secara maksimal dari data akademik mahasiswa yang ada. Untuk menangani hal tersebut, maka dilakukan peramalan data mahasiswa untuk menentukan kelulusan. Prediksi yang dilakukan bertujuan untuk mendapatkan informasi dan pengetahuan dengan menggunakan Data Mining dengan teknik klasifikasi menggunakan algoritma K-Nearest Neighbor. Pada algoritma K-Nearest Neighbor dengan menghasilkan 2 klasifikasi yaitu lulus tepat waktu dan tidak tepat waktu. Berdasarkan pengujian menggunakan algoritma K-Nearest Neighbor dengan menggunakan 55 data mahasiswa yang sudah dibersihkan dan atribut yang digunakan adalah nilai indeks prestasi (IP) semester 1 sampai semester 6 dan total satuan kredit semester (SKS) lalu memberikan nilai k=3, menghasilkan klasifikasi “Tidak Tepat Waktu” untuk data ujinya. Hasil pengukuran accuracy algoritma K-Nearest Neighbor dalam memprediksi kelulusan mahasiswa Universitas Adzkia Angkatan 2016 sebesar 94,55%. Dengan demikian, algoritma K-Nearest Neigjbor dapat diterapkan untuk memprediksi kelulusan mahasiswa dengan baik
SISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) Pratama, Muhammad Harits; Putra, Febri Andika; Firdaus, Novemli
JSR : Jaringan Sistem Informasi Robotik Vol 9, No 1 (2025): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v9i1.495

Abstract

Beasiswa kurang mampu merupakan beasiswa yang diberikan oleh pihak sekolah kepada siswa yang memenuhi kriteria-kriteria tertentu. Agar memudahkan pihak sekolah dalam menentukan siswa penerima beasiswa kurang mampu tentunya diperlukan sebuah sistem yang dapat memberikan sebuah referensi keputusan. Untuk itu diperlukan sebuah Sistem Pendukung Keputusan yang dapat memberikan perangkingan siswa penerima beasiswa kurang mampu. Adapun metode yang digunakan dalam Sitem Pendukung Keputusan ini adalah metode Weighted Product (WP). Metode WP adalah metode Sistem Pendukung Keputusan yang digolongkan kedalam model Multiple Attribute Decision Making (MADM). Pada penelitian ini menggunakan 10 alternatif dan 5 kriteria yaitu Penerima Kartu Perlindungan Sosial 10%, Status siswa 30%, Penghasilan Orang Tua 30%, Tanggungan Orang Tua 20%, dan Jenis Tinggal 10%. Pada penelitian ini menghasilkan alternatif A06 sebagai alternatif tertinggi dengan nilai akhir 0.994.
Prediksi Dropout Mahasiswa: Early-Warning Berbasis Enrollment dengan Machine Learning putra, Febri andika; Mirajdandi, Syahisro; Nandra; Okmarizal, Bisma; Mulyanda, Sandy
JURNAL FASILKOM Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i3.10714

Abstract

Dropout among university students remains a major challenge in higher education because it affects study continuity, institutional performance, and the efficiency of academic service planning. This study develops a machine learning–based Early Warning System (EWS) that leverages data available at enrollment and is updated after the first semester. Using the public dataset “Predict Students’ Dropout and Academic Success” (n = 4,424), the original three-class outcome (Dropout, Enrolled, Graduate) is simplified into a binary target, with dropout treated as the positive class. Two feature scenarios are evaluated: (1) enrollment-only for pre-entry screening and (2) enrollment plus first-semester indicators to update risk scores. Three models are compared: class-balanced Logistic Regression, class-balanced Random Forest, and Gradient Boosting. Model performance is assessed using accuracy, precision/recall/F1score for the dropout class, balanced accuracy, and ROC-AUC. Under the enrollment-only setting, Logistic Regression achieves the best early-warning performance (recall = 0.697; F1 score = 0.651). After incorporating first-semester features, performance improves (recall = 0.792; F1score = 0.779). Beyond model comparison, this study adds an operational perspective through confusion-matrix simulation and probability-threshold analysis to balance missed at-risk cases and follow-up workload.
Co-Authors Firdaus, Novemli Mirajdandi, Syahisro Mulyanda, Sandy Nandra Okmarizal, Bisma Pratama, Muhammad Harits