Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JSR : Jaringan Sistem Informasi Robotik
Sigit, Rapel Aprilius
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
KOMPARASI ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI KELULUSAN MAHASISWA Sigit, Rapel Aprilius; Kurniawan, Zuprizal; Rahmaddeni, Rahmaddeni
JSR : Jaringan Sistem Informasi Robotik Vol 8, No 1 (2024): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v8i1.391

Abstract

Keberhasilan seorang mahasiswa dalam menyelesaikan studinya tepat waktu merupakan faktor kunci dalam pencapaian sebuah lembaga pendidikan tinggi. Algoritma machine learning memberikan pendekatan inovatif dalam analisis data serta prediksi berdasarkan pola yang teridentifikasi. Penelitian ini bertujuan membandingkan algoritma machine learning yang umum digunakan dalam mengklasifikasikan kelulusan mahasiswa, seperti Naive Bayes dan Decision Trees. Data yang diterapkan dalam penelitian ini diperoleh dari kaggle.com dan terdiri dari 4424 entri, yang terbagi menjadi tiga kategori: lulus, drop out, dan masih aktif. Data dapat digunakan untuk melakukan pelatihan setelah tahapan preprocessing, meliputi penghapusan data yang tidak relevan serta transformasi yang diperlukan. Setelah tahapan preprocessing selesai, dilakukan implementasi algoritma Naïve Bayes dan Decision Tree. Hasil penelitian menpresentasikan akurasi Naïve Bayes yakni 70,33% dan Decision Tree yakni 67,09%, dengan F1-score Naïve Bayes 61,81% dan Decision Tree 60,80%. Selain itu, hasil cross-validation menunjukkan akurasi Naïve Bayes sebesar 70,00% dan Decision Tree sebesar 68,29%. Dari hasil tersebut, terbukti bahwa Naïve Bayes memiliki performa yang lebih bagus jika dikomparasi dengan Decision Tree dalam konteks penelitian ini.
Penerapan K-Means Clustering untuk Mengelompokkan Risiko Diabetes Berdasarkan Gaya Hidup dan Kesehatan Sigit, Rapel Aprilius; Rio, Unang; Efrizoni, Lusiana; Ali, Edwar
JATISI Vol 12 No 4 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i4.13292

Abstract

Diabetes mellitus is a chronic disease with a globally increasing prevalence, driven by modern lifestyle changes. Early detection of diabetes risk is crucial in preventing and mitigating long-term complications. This study aims to cluster individuals based on their diabetes risk levels using the K-Means Clustering algorithm by considering lifestyle and health condition attributes. The dataset used was obtained from the Kaggle platform, consisting of 5,452 entries and 22 attributes. The pre-processing stage involved data cleaning, normalization, and manual feature selection. The optimal number of clusters was determined using the Elbow Method, which indicated the best result at k = 3. Cluster quality evaluation was performed using the Davies-Bouldin Index (DBI), which yielded a score of 0.7678, indicating a reasonably good level of cluster compactness and separation. The final output formed three risk clusters: low, medium, and high, with distributions of 424, 819, and 615 records, respectively. This segmentation is expected to serve as a basis for healthcare institutions in designing more targeted and data-driven preventive interventions.
Co-Authors Edwar Ali Efrizoni, Lusiana Kurniawan, Zuprizal Rahmaddeni Rahmaddeni Unang Rio