Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar
Ul khairat
Fakultas Ilmu Komputer, Universitas Al Asyariah Mandar
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 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.
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
IMPLEMENTASI SVM UNTUK KLASIFIKASI TINGKAT KRIMINAL MENGGUNAKAN PENGENALAN WAJAH PADA TAHANAN LAPAS POLEWALI MANDAR Mahyuddin Mahyuddin; Akhmad Qashlim; 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.v11i2.360

Abstract

Saat ini data tahanan lapas hanya berada pada buku tahanan dan juga komputer lapas yang dimana data itu masih kurang efektif karena tidak adanya sistem pengenalan yang dapat langsung mengetahui identitas tahanan. Masalah yang di hadapi sekarang adalah Lapas Tidak memiliki data berdasarkan kasus dan tingkat kriminal, Tidak dapat melihat data criminal dengan cepat. Penelitian ini mengunkan metode Histogram of Oriented Gradient (HOG) sebagai bentuk Pengenalan wajah dan membantu untuk proses identifikasi wajah. Dan metode Support Vector Machine (SVM) merupakan teknik yang sangat berguna untuk klasifikasi data. Solusi yang ditawarkan adalah Klasifikasi Data Tahanan berdasarkan Kasus dan Tingkat Kriminal, Untuk optimalisasi proses klasisfikasi maka digunakan data wajah karena peluang manipulasi sangat kecil. Hasil penelitian menunjukkan bahwa sistem mampu bekerja dengan baik dan akan di kelompokkan ke dalam 3 kategori pelangaran rigan, sedang dan berat
Co-Authors Akhmad Qashlim arwansyah arda Mahyuddin Mahyuddin Muhammad Sarjan Muslihan Muslihan Muslihan Muslihan Nur Fadhila Djamal