Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Teknologi Komputer Horizon: Indonesian Journal of Multidisciplinary
Arif Hamied Nababan
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Languange, Linguistic, Communication & Media Social Sciences Other

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

Found 2 Documents
Search

 1 
Analisis Metode TOPSIS Terhadap Kinerja Dosen Berdasarkan Preferensi Penilaian Mahasiswa Rizka, Ade; Arif Hamied Nababan; Cut Try Utari; Sri Novida Sari
Jurnal Nasional Teknologi Komputer Vol 5 No 4 (2025): Oktober 2025
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v5i4.303

Abstract

Salah satu tugas utama seorang dosen adalah sebagai pendidik profesional yang berkualitas. Hal tersebut dapat terlaksanakan jika dosen memiliki kinerja yang optimal agar memenuhi standar kompetensi untuk meningkatkan kualitas pendidikan perguruan tinggi dalam menghasilkan lulusan yang kompeten. Maka, evaluasi kinerja perlu dilaksanakan guna mengetahui tingkat kompetensi dosen sebagai pendidik, terutama dimata mahasiswa. Penelitian terdahulu telah menggunakan berbagai metode keputusan untuk mengevaluasi hasil kerja. Namun, metode TOPSIS menjadi metode yang lebih mudah untuk diterapkan pada penelitian ini. Sebelumnya, evaluasi kinerja dosen bersifat subjektif dan tidak terstruktur sehingga memberikan hasil yang kurang akurat dan tidak objektif. Penelitian ini menerapkan metode TOPSIS sebagai metode yang memperhitungkan kriteria kompetensi agar menghasilkan informasi yang objektif dan terstruktur sesuai dengan standar. Kriteria kompetensi yaitu, pendagogik, profesional, kepribadian dan sosial. Hasil analisis metode TOPSIS dapat memberikan pendekatan secara objektif yaitu dosen TRPL 1 memiliki nilai terbesar yaitu 1 dan dosen TRPL 2 memiliki nilai terkecil yaitu 0. Hal ini dapat menjadi dasar pengembangan dan peningkatan kualitas dosen, serta langkah evaluasi kinerja yang terukur, tersruktur dan transparan. Selanjutnya capaian kinerja setiap dosen dapat dievaluasi untuk pengembangan dan perbaikan kualitas berdasarkan kendala atau masalah, sehingga hasil evaluasi menjadi dasar dalam pengambilan keputusan dalam memberikan penghargaan atau pembinaan.
Evaluasi Algoritma Random Forest dan KNN dalam Memprediksi Risiko Diabetes Berdasarkan Fitur Klinis Tarigan, Siti Jamilah Br; Alyiza Dwi Ningtyas; Arif Hamied Nababan; Devanta Abraham Tarigan; Dini Rizqi Dwikunti Siregar
HORIZON: Indonesian Journal of Multidisciplinary Vol. 4 No. 3 (2026): HORIZON: Indonesian Journal of Multidisciplinary
Publisher : Lembaga Intelektual Muda (LIM) Maluku

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54373/hijm.v4i4.6400

Abstract

This study aims to demonstrate the performance of the Random Forest and K-Nearest Neighbors (KNN) algorithms in predicting diabetes risk based on numerical clinical data. The study used a dataset of 757 samples with eight clinical features, namely the number of pregnancies, glucose levels, blood pressure, skin thickness, insulin, body mass index (BMI), familial diabetes predisposition function, and age. The data was divided into 80% training data and 20% testing data, with data scale adjustments to support the classification process. The evaluation results showed that Random Forest produced better performance with an accuracy of 73.7% and an F1-Score of 0.623, compared to KNN with an accuracy of 72.4% and an F1-Score of 0.604. Comparison of classification results showed that Random Forest was able to provide more consistent predictions in distinguishing groups at risk of diabetes from healthy groups. The contribution of this study is to provide an empirical evaluation of the description of two classification algorithms commonly used on numerical clinical data and show that Random Forest is more suitable for the development of a decision support system for diabetes risk prediction. This research can be the basis for the development of more accurate prediction models through the use of broader datasets and other machine learning methods.
Co-Authors Alyiza Dwi Ningtyas Cut Try Utari Dini Rizqi Dwikunti Siregar Rizka, Ade Sri Novida Sari Tarigan, Devanta Abraham Tarigan, Siti Jamilah Br