Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar
Muslihan Muslihan
Fakultas Ilmu Komputer, Universitas Al Asyariah Mandar
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA DENGAN METODE NAÏVE BAYES : (Studi Kasus Fakultas Ilmu Komputer Universitas Al Asyariah Mandar) Muslihan Muslihan; Ul khairat; arwansyah arda
JURNAL ILMU KOMPUTER Vol 10 No 2 (2024): Edisi September
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v10i2.316

Abstract

Penelitian ini bertujuan untuk memprediksi kelulusan tepat waktu mahasiswa menggunakan metode Naïve Bayes. Sistem yang dikembangkan akan mengklasifikasikan kelulusan mahasiswa dengan mengevaluasi kinerja mereka pada tahun pertama dan kedua. Data mahasiswa yang dianalisis mencakup atribut Program Studi, gender, Indeks Prestasi Semester (IPS) Semester 1-5, Indeks Prestasi Kumulatif (IPK) Semester 5, dan usia. Data ini dikumpulkan, dibersihkan, dan dianalisis menggunakan algoritma Naïve Bayes yang diimplementasikan di platform Google Colaboratory. Hasil penelitian menunjukkan bahwa metode Naïve Bayes memiliki kemampuan yang baik dalam memprediksi kelulusan tepat waktu mahasiswa dengan tingkat akurasi keseluruhan sebesar 83%. Model ini menunjukkan nilai precision 1.00, recall 0.75, dan F1-score 0.86 untuk kelas "Tidak Lulus Tepat Waktu". Untuk kelas "Lulus Tepat Waktu", model memiliki nilai precision 0.67, recall 1.00, dan F1-score 0.80. Secara keseluruhan, rata-rata makro (macro avg) menunjukkan precision 0.83, recall 0.88, dan F1-score 0.83, sementara rata-rata tertimbang (weighted avg) menunjukkan precision 0.89, recall 0.83, dan F1-score 0.84. Temuan ini menunjukkan bahwa metode Naïve Bayes dapat dijadikan alat bantu yang efektif bagi perguruan tinggi dalam memantau dan meningkatkan kelulusan tepat waktu mahasiswa.
SISTEM KALKULASI PENGUKURAN GROSS TONNAGE (GT) AND NET TONNAGE (NT) MENGGUNAKAN TEKNIK MODELING PADA KAPAL IKAN TRADISIONAL Ariastuti Rahman; Ashabul Kahpi; Muslihan Muslihan; Andi Parenrengi
JURNAL ILMU KOMPUTER Vol 11 No 1 (2025): Edisi April
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v11i1.346

Abstract

Proses mengeluarkan surat ukur kapal nelayan tradisional masih dilakukan pengukuran Tonnage Kotor (GT) dan Tonnage Bersih (NT) secara manual oleh ahli ukur kapal sehingga kurang optimal dan efisien dalam proses perhitungan Tonnage Kotor dan Tonnage bersih sebuah kapal nelayan teradisional maka penulis mencoba membuat System Perhitunga Gross Tonnage / GT (Tonnage Kotor) dan Net Tonnage / NT (Tonnage Bersih) Pada Kapal Nelayan yang berfungsi menghitung Tonnage Kotor dan Tonnage Bersih secara otomatis setelah di lakukan pengukuran kapal sehingga ahli ukur kapal dapat mengetahui secara cepat serta akurat Tonnage Kotor dan Tonnage Bersih Kapal Nelayan tradisional. Tujuan penelitian ini adalah untuk merancang sebuah sistem pengukuran Gross Tonnage menggunakan Teknik Modeling yang di mana dapat mempermudah ahli ukur kapal dalam menentukan Gross Tonnage pada kapal sebagai syarat dalam menerbitkan sertifikat surat-surat Kapal. Pada Kantor Unit Penyelenggara Pelabuhan Kelas I Mamuju. Sehingga dapat mempermudah perhitungan GT kapal dengan menggunakan metode pendekatan modeling pada kapal ikan. Pengukuran GT kapal ikan dengan bantuan sebuah aplikasi yang akan menghasilkan nilai koefisien yang nantinya digunakan untuk menghitung GT kapal ikan sebagai syarat terbitnya SertifikatSurat –surat Kapal Nelayan. Hasil Penelitian Ini Adalah dalam Sistem Kalkulasi Pengukuran Gross Tonnage (GT) Dan Net Tonnage (NT) Pada Kapal Nelayan Berbasis Website menggunakan teknik Modeling” Menggunakan Bahasa Pemograman Php Dan Mysql, Hasil pengukuran dan dokumentasi yang dilakukan di lapang kemudian di gambar dengan menggunakan maxsurf untuk mengetahui nilai koefisiennya yang digunakan untuk mendapatkan nilai GT kapal. Nilai GT kapal yang didapatkan dari pengukuran langsung akan dibandingkan dengan nilai GT kapal yang ada disurat ukur kapal yang dimiliki oleh masing masing kapal ikan
PERBANDINGAN KEAKURATAN ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBORS DALAM KLASIFIKASI TINGKAT KUALITAS CABAI BESAR Nur Fadhila Djamal; Muhammad Sarjan; Ul khairat; Muslihan Muslihan
JURNAL ILMU KOMPUTER Vol 11 No 2 (2025): Edisi September
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v11i2.359

Abstract

Cabai besar memiliki nilai ekonomi yang tinggi, namun kualitasnya sangat bergantung pada pemilihan dan klasifikasi yang akurat. Penelitian ini telah berhasil mengembangkan model klasifikasi otomatis untuk mendeteksi kualitas cabai menggunakan dua metode, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Hasil penelitian menunjukkan bahwa model SVM mencapai akurasi tertinggi sebesar 92% untuk masing-masing kategori cabai: "Cabai Baik", "Cabai Buruk", dan "Tidak Terdeteksi". Sementara itu, KNN juga memberikan hasil yang baik, dengan akurasi masing-masing mencapai 88% untuk kelas "Cabai Baik" dan "Tidak Terdeteksi", serta 86% untuk "Cabai Buruk". Hasil ini menegaskan efektivitas kedua model dalam mengklasifikasikan cabai berdasarkan fitur visualnya, yang dapat memberikan manfaat signifikan bagi para petani dan distributor dalam menentukan kualitas produk mereka
ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN RECENCY FREQUENCY AND MONETARY (RFM) BERBASIS PYTHON Ariastuti Rahman; Muh. Rusli Said; Muslihan Muslihan; Putri Rezki Amalia
JURNAL ILMU KOMPUTER Vol 11 No 2 (2025): Edisi September
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v11i2.364

Abstract

Dalam dunia bisnis, memahami perilaku pelanggan merupakan hal yang krusial untuk mempertahankan loyalitas dan meningkatkan strategi pemasaran. Salah satu metode yang dapat digunakan untuk menganalisis perilaku pelanggan adalah metode RFM (Recency, Frequency, and Monetary), yang mengelompokkan pelanggan berdasarkan seberapa baru transaksi terakhir dilakukan, seberapa sering mereka melakukan transaksi, dan seberapa besar nilai transaksinya. Penelitian ini bertujuan untuk membangun sistem segmentasi pelanggan menggunakan metode RFM berbasis Python guna membantu perusahaan dalam mengidentifikasi nilai dan karakteristik pelanggan secara lebih efektif. Metode yang digunakan dalam penelitian ini meliputi pengumpulan data transaksi pelanggan, perhitungan nilai RFM, pemberian skor pada masing-masing aspek, serta pengelompokan pelanggan ke dalam beberapa segmen berdasarkan kombinasi skor tersebut. Sistem dibangun dengan menggunakan bahasa pemrograman Python serta didukung oleh library seperti Pandas dan NumPy untuk pengolahan data. Hasil penelitian menunjukkan bahwa sistem mampu mengelompokkan pelanggan ke dalam berbagai segmen seperti Loyal Customer, At Risk Customer, dan Potential Loyalist secara otomatis dan akurat. Pengujian dengan metode Black Box dan White Box membuktikan bahwa sistem berjalan sesuai fungsinya dan dapat digunakan sebagai alat bantu analisis pelanggan dalam pengambilan keputusan strategis oleh perusahaan.
Co-Authors Andi Parenrengi Ariastuti Rahman arwansyah arda Ashabul Kahpi Muh. Rusli Said Muhammad Sarjan Nur Fadhila Djamal Putri Rezki Amalia Ul khairat