Claim Missing Document
Check
Articles

Found 12 Documents
Search

Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Artificial Neural Network Fauhan Alfarizi Saragih; Lailan Sofinah Harahap; M. Rifqi Arrafi
Jurnal Riset Informatika dan Inovasi Vol 3 No 10 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu indikator penting dalam menilai keberhasilan proses pembelajaran di perguruan tinggi. Tingginya angka keterlambatan kelulusan dapat berdampak pada efektivitas manajemen akademik serta mutu institusi pendidikan. Penelitian ini bertujuan untuk menerapkan metode Artificial Neural Network (ANN) dalam memprediksi tingkat kelulusan mahasiswa berdasarkan data akademik. Pendekatan yang digunakan adalah kuantitatif dengan metode klasifikasi. Data yang digunakan merupakan data sekunder akademik mahasiswa yang meliputi Indeks Prestasi Kumulatif (IPK), jumlah Satuan Kredit Semester (SKS), dan lama masa studi. Dataset dibagi menjadi data latih dan data uji dengan proporsi 80% dan 20%. Proses pelatihan model dilakukan menggunakan algoritma backpropagation. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa model ANN mampu memprediksi tingkat kelulusan mahasiswa dengan nilai akurasi sebesar 82%, serta nilai precision dan recall yang relatif seimbang.
Klasifikasi Kualitas Udara Menggunakan Algoritma K-Nearest Neighbor Berdasarkan Data Pm2.5 Di Indonesia Tahun 2025 Khaila Mukti Harahap Mukti; Lailan Sofinah Harahap
JIKOMTI : Jurnal Ilmiah Ilmu Komputer dan Teknologi Informasi Vol. 2 No. 2 (2025): JIKOMTI: DESEMBER 2025
Publisher : Universitas Sains Indonesia Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

This study aims to classify air quality in various cities in Indonesia based on PM2.5 concentrations using the K-Nearest Neighbor (KNN) algorithm. The data used is sourced from the June–July 2025 edition of Nafas Indonesia, which contains the average PM2.5 values from 21 major cities. The analysis process includes normalization, category labeling based on US EPA standards, model training, and accuracy evaluation. The results show that the KNN model with a k value of 3 is capable of classifying air quality with an accuracy rate of 85%. These findings indicate that the KNN algorithm is quite effective in grouping air quality levels based on particulate pollutant (PM2.5) data.