cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Singgih Afifa Putra
Contact Email
singgihafifa@gmail.com
Phone
+62811414215
Journal Mail Official
jon.kptk@gmail.com
Editorial Address
Departemen Kelautan, BPPMPV KPTK, Jl. Diklat No. 30, Pattallassang, Gowa, Sulawesi Selatan, 92172
Location
Kab. gowa,
Sulawesi selatan
INDONESIA
Jurnal Oase Nusantara
Published by BPPMPV KPTK
ISSN : 28293290     EISSN : 29641705     DOI : -
Core Subject : Science, Education, Agriculture,
Agriculture, Biological Sciences & Forestry Computer Science & IT Education Other
Jurnal Oase Nusantara adalah berkala ilmiah 6 bulanan (terbit April & Oktober) akses terbuka (open access) dan peer-review. Berkala ilmiah ini bertujuan untuk memberikan kontribusi signifikan dalam perkembangan ilmu pengetahuan dan kajian kajian ilmiah pada topik multidisipliner ilmu: 1. Ilmu Pendidikan dan Pelatihan Vokasi 2. Ilmu Kelautan, Perikanan, dan Kemaritiman 3. Teknologi Informasi dan Komunikasi
Arjuna Subject : Umum - Umum
Articles 1 Documents
 1 
Search results for , issue "Vol 5 No 1 (2026)" : 1 Documents clear
Siklus sistem informasi klasifikasi status pascalulus alumni SMKN 2 Salatiga Faizati, Taslimatul Atsna
Jurnal Oase Nusantara Vol 5 No 1 (2026)
Publisher : Balai Pengembangan Penjaminan Mutu Pendidikan Vokasi Bidang Kelautan Perikanan Teknologi Informasi dan Komunikasi

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

Abstract

Penelitian ini bertujuan untuk mengembangkan Sistem Informasi Klasifikasi Status Pascalulus Alumni (bekerja, melanjutkan studi, atau wirausaha) menggunakan pendekatan Ensemble Machine Learning. Status alumni pascalulus merupakan indikator penting keberhasilan pendidikan kejuruan dan menjadi evaluasi bagi sekolah. Data yang digunakan berasal dari alumni SMK Negeri 2 Salatiga, mencakup faktor sosiodemografi, akademik, dan penelusuran tamatan. Permasalahan utama adalah memilih model klasifikasi yang paling efektif untuk memprediksi status pascalulus dengan akurasi tinggi. Metode yang diusulkan adalah Ensemble Machine Learning yang menggabungkan beberapa algoritma dasar, seperti Random Forest, Naive Bayes, dan Decision Tree, untuk meningkatkan performa klasifikasi. Hasil pengujian menunjukkan bahwa model Ensemble Learning yang dikembangkan memberikan peningkatan kinerja yang signifikan dibandingkan model tunggal, mencapai akurasi, presisi, dan nilai F1-Score tertinggi. Sistem yang dihasilkan mampu memberikan prediksi yang akurat, memungkinkan sekolah melakukan intervensi karir yang tepat sasaran dan memberikan masukan berharga bagi kurikulum serta program sekolah untuk mendukung lulusan siap kerja.

Page 1 of 1 | Total Record : 1

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol 5 No 1 (2026) Vol 4 No 2 (2025) Vol 4 No 1 (2025) Vol 3 No 2 (2024) Vol 3 No 1 (2024) Vol 2 No 2 (2023) Vol 2 No 1 (2023) Vol 1 No 2 (2022) Vol 1 No 1 (2022)