Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Jurnal Pendidikan dan Pembelajaran Indonesia (JPPI)
Aldillah Aldillah
Universitas Muhammadiyah Bima
Computer Science & IT Education Languange, Linguistic, Communication & Media Other

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

Found 2 Documents
Search

 1 
Analisis Implementasi LMS dalam Manajemen Tugas terhadap Hasil Akademik, Keterlibatan, dan Studi Mandiri Mahasiswa Randitha Missouri; Zumhur Alamin; Aldillah Aldillah
Jurnal Pendidikan dan Pembelajaran Indonesia (JPPI) Vol. 5 No. 2 (2025): Jurnal Pendidikan dan Pembelajaran Indonesia (JPPI), 2025 (2)
Publisher : Yayasan Pendidikan Bima Berilmu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53299/jppi.v5i2.1382

Abstract

Penelitian ini bertujuan untuk menganalisis dampak implementasi Learning Management System (LMS) Google Classroom terhadap hasil akademik, keterlibatan, dan efektivitas studi mandiri mahasiswa semester awal program studi Ilmu Komputer Universitas Muhammadiyah Bima angkatan 2023/2024. Penelitian ini menggunakan metode kuantitatif dengan survei terhadap 120 mahasiswa yang dipilih secara acak. Instrumen penelitian ini berupa angket yang mencakup data demografi, pola penggunaan Google Classroom, keterlibatan mahasiswa, hasil akademik, dan tingkat kepuasan yang diukur dengan skala Likert. Analisis data menggunakan regresi ganda untuk menguji pengaruh LMS terhadap hasil akademik, keterlibatan, dan studi mandiri, serta analisis deskriptif untuk menggambarkan pola penggunaan dan kepuasan mahasiswa. Hasil penelitian menunjukkan bahwa 70% mahasiswa mengalami peningkatan hasil akademik dengan rata-rata kenaikan 10%. Dalam aspek keterlibatan, 82,5% mahasiswa menggunakan Google Classroom secara aktif, 85% menyelesaikan tugas tepat waktu, dan 60% berpartisipasi dalam diskusi online dengan rata-rata penggunaan platform selama lima jam per minggu. Studi mandiri mahasiswa meningkat dengan 70% responden menilai Google Classroom efektif mendukung pembelajaran mandiri. Namun, penelitian juga menemukan bahwa partisipasi dalam diskusi online masih relatif rendah dibandingkan keterlibatan dalam tugas. Tantangan yang ditemukan adalah rendahnya partisipasi dalam diskusi serta kebutuhan pelatihan bagi dosen dan mahasiswa. Penelitian merekomendasikan optimalisasi penggunaan Google Classroom dan pelatihan lebih lanjut untuk meningkatkan efektivitas pembelajaran.
Prediksi Risiko Penyakit Stroke Menggunakan Logistic Regression Dengan Dashboard Interaktif Aldillah Aldillah; Khairunnas .; Irma Eryanti Putri
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Vol 9, No 2 (2026): Juli
Publisher : Institut Teknologi Gamalama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47324/ilkominfo.v9i2.485

Abstract

Abstrak: Stroke merupakan salah satu penyebab utama kematian dan kecacatan jangka panjang di dunia. Peningkatan kasus stroke mendorong pemanfaatan teknologi machine learning untuk membantu prediksi risiko penyakit secara cepat dan akurat. Penelitian sebelumnya telah menggunakan algoritma seperti Support Vector Machine dan Random Forest, namun sebagian besar masih berfokus pada performa model dan belum mengintegrasikan hasil prediksi dalam media visual yang interaktif. Penelitian ini bertujuan membangun model prediksi risiko stroke menggunakan algoritma Logistic Regression serta mengimplementasikannya dalam dashboard interaktif. Dataset yang digunakan berasal dari Kaggle dengan jumlah data sebanyak 5110. Tahapan penelitian meliputi preprocessing data, pembagian data latih 80% dan data uji 20%, serta pelatihan model menggunakan Logistic Regression. Hasil penelitian menunjukkan model memperoleh akurasi sebesar 92% dan ROC-AUC sebesar 84%. Dashboard interaktif yang dikembangkan mampu menampilkan probabilitas risiko stroke dan variabel yang berpengaruh sehingga membantu pengguna memahami hasil prediksi secara lebih efektif.Kata kunci: Data Mining; Logistic Regression; StrokeAbstract: Stroke is one of the leading causes of death and long-term disability worldwide. The rise in stroke cases has driven the use of machine learning technology to help predict disease risk quickly and accurately. Previous research has employed algorithms such as Support Vector Machines and Random Forests; however, most studies have focused primarily on model performance and have not integrated prediction results into interactive visual media. This study aims to build a stroke risk prediction model using the Logistic Regression algorithm and implement it in an interactive dashboard. The dataset used comes from Kaggle, containing 5,110 data points. The research stages include data preprocessing, splitting the data into an 80% training set and a 20% test set, and training the model using Logistic Regression. The results show that the model achieved an accuracy of 92% and an ROC-AUC of 84%. The developed interactive dashboard displays stroke risk probabilities and influencing variables, helping users understand the prediction results more effectively..Keywords: Data Mining, Logistic Regression, Stroke
Co-Authors Irma Eryanti Putri Khairunnas . Randitha Missouri Zumhur Alamin