Article Per Year (5 Year)
p-Index From 2021 - 2026
1.849
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING Journal of Computer Science and Research Journal Of Artificial Intelligence And Software Engineering
Khaidar, Al
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Library & Information Science

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

Found 11 Documents
Search
Journal : Journal Of Artificial Intelligence And Software Engineering

 1   2 
Single Tuition Fee Classification Using Light Gradient Boosting Machine with Confusion Matrix Analysis Khaidar, Al; Nurdin, Nurdin; Fajriana, Fajriana
Journal of Artificial Intelligence and Software Engineering Vol 5, No 4 (2025): Desember (On Progress)
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i4.8479

Abstract

Uang Kuliah Tunggal merupakan sistem pembiayaan pendidikan tinggi yang ditetapkan berdasarkan kemampuan ekonomi mahasiswa. Penetapan UKT yang masih dilakukan secara manual berpotensi menimbulkan subjektivitas dan ketidaktepatan klasifikasi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi UKT berbasis data menggunakan metode Light Gradient Boosting Machine (LightGBM). Dataset yang digunakan terdiri dari 10.000 data mahasiswa Politeknik Negeri Lhokseumawe yang telah melalui tahap prapemrosesan dan transformasi fitur. Model dilatih menggunakan pembagian data latih dan data uji sebesar 80:20, serta dievaluasi menggunakan metrik akurasi, classification report, confusion matrix, dan 10-Fold Cross Validation. Hasil pengujian menunjukkan bahwa model LightGBM mencapai akurasi sebesar 98% pada data uji. Pengujian 10-Fold Cross Validation menghasilkan rata-rata akurasi sebesar 99,21% dengan standar deviasi 0,29%, yang menunjukkan stabilitas dan kemampuan generalisasi yang sangat baik. Hasil ini membuktikan bahwa LightGBM efektif dan andal untuk mendukung penetapan UKT yang lebih objektif dan berbasis data.
Co-Authors Alqhifari, Azka Amalia, Iklasni Arnawan Hasibuan Asrianda Asrianda Azzanna, Maghriza Diqti, Fadillah Fauziah Erwanda, Ade Putra Fajriana, Fajriana Hamdhana, Defry Hermansyah Hermansyah Ibnu Khaldun Jessika, Jessika Kurnia, Sri M. Ali, Rahmadi Muhammad Daud Muhammad Fikry Muliana, Syarifah Muqarrabin, Khalis Al Nurdin Nurdin Nurdin Nurdin Rahmad Rahmad Rusadi, Athirah Taufiq Taufiq