Article Per Year (5 Year)
p-Index From 2019 - 2024
1.152
P-Index
This Author published in this journals
All Journal Jurnal Sistem dan Informatika Jurnal Teknologi Informasi dan Komputer Jurnal Eksplora Informatika Jurnal Informasi dan Komputer Jurnal aplikasi IPTEK
Ni Luh Ratniasih
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Environmental Science Mathematics Public Health Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Teknologi Informasi dan Komputer

 1 
OPTIMASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN C4.5 UNTUK KLASIFIKASI KELULUSAN MAHASISWA Ni Luh Ratniasih
Jurnal Teknologi Informasi dan Komputer Vol 5, No 1 (2019): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (958.233 KB)

Abstract

ABSTRACTPresentation of data to produce information values is often displayed in the form of tabulations. If the data displayed has a small capacity, it may not be difficult to process the information. But if the data presented has a very large capacity, it is feared there are obstacles to absorbing information accurately and quickly. This is because that it takes a long time to read the data displayed in detail until the end of the data. The data to be discussed in this study are data of STMIK STIKOM Bali students. Historical data displayed will be converted into a decision tree. Thus the absorption of information will become easier. This research implements data mining disciplines using the naïve bayes method comparison with C4.5 algorithm which is a method for performing classification techniques and applied with Rapid Miner tools.Keywords : C4.5, KNN, Student GraduationABSTRAKPenyajian data untuk menghasilkan nilai informasi sering kali ditampilkan dalam bentuk tabulasi. Apabila data yang ditampilkan memiliki kapasitas kecil, mungkin tidak terlalu sulit untuk mencerna kandungan informasi tersebut. Tetapi apabila data yang disajikan memiliki kapasitas yang sangat besar, dikawatirkan adanya kendala untuk menyerap informasi secara tepat dan cepat. Hal ini dikarenakan bahwa dibutuhkan waktu yang cukup lama untuk membaca data yang ditampilkan secara rinci hingga akhir data. Data yang akan dibahas dalam penelitian ini adalah data mahasiswa STMIK STIKOM Bali. Data historis yang ditampilkan akan dikonversi menjadi bentuk pohon keputusan. Dengan demikian penyerapan informasi akan menjadi lebih mudah. Penelitian ini mengimplemen-tasikan disiplin ilmu data mining menggunakan komparasi metode naïve bayes dengan algoritma C4.5 yang merupakan sebuah metode untuk melakukan teknik klasifikasi serta diaplikasikan dengan tools Rapid Miner.Kata kunci : C4.5, KNN, Kelulusan Mahasiswa
PENERAPAN ALGORITMA K-NEAREST NEIGHBOUR (K-NN) UNTUK PENENTUAN MAHASISWA BERPOTENSI DROP OUT Ni Luh Ratniasih
Jurnal Teknologi Informasi dan Komputer Vol 5, No 3 (2019): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (736.623 KB)

Abstract

ABSTRACTDrop out is a situation where students are expelled from college because of several factors, one of which is because the status of lectures is not active beyond 5 semesters for undergraduate students. The high level of success and low failure of students can reflect the quality of education in higher education. The high level of student drop outs can affect the value of Higher Education accreditation so that it will affect the level of public trust. Student data drop out becomes something important to be researched and analyzed, so it can be seen how the characteristics of students who have the potential to drop out as early as possible. The data of ITB STIKOM Bali students is very much so that they can utilize data mining techniques for data classification. In this study the K-NN method was implemented to classify students as potential drop outs and the student data used in this study were students of the 2014 Information Systems study program using 6 attributes, namely gender, age, religion, class status, practical work, and grades GPA. The results showed that the accuracy of the method was 81.50%.Keywords: KNN, Drop Out, ITB STIKOM BaliABSTRAKDrop out adalah suatu keadaan dimana mahasiswa dikeluarkan dari perguruan tinggi karena beberapa faktor salah satunya karena status perkuliahannya tidak aktif melebihi 5 semester untuk mahasiswa S1. Tingginya tingkat keberhasilan dan rendahnya kegagalan mahasiswa dapat mencerminkan kualitas pendidikan di perguruan tinggi. Tingginya tingkat drop out mahasiswa dapat mempengaruhi nilai akreditasi Perguruan Tinggi sehingga akan mempengaruhi tingkat kepercayaan masyarakat. Data mahasiswa drop out menjadi sesuatu hal yang penting untuk diteliti dan dianalisa, sehingga dapat diketahui bagaimana karakteristik mahasiswa yang berpotensi drop out sedini mungkin. Data mahasiswa ITB STIKOM Bali sangat banyak sehingga dapat memanfaatkan teknik data mining untuk klasifikasi data. Pada penelitian ini diimplementasikan metode K-NN untuk klasifikasi mahasiswa berpotensi drop out dan data mahasiswa yang digunakan dalam penelitian ini adalah mahasiswa program studi Sistem Informasi angkatan 2014 dengan menggunakan 6 atribut yaitu jenis kelamin, umur, agama, status kelas, kerja praktek, dan nilai IPK. Hasil penelitian menunjukkan bahwa tingkat akurasi metode sebesar 81.50%.Kata kunci: KNN, Drop Out, ITB STIKOM Bali
PENERAPAN ALGORITMA KLASIFIKASI UNTUK PENENTUAN MAHASISWA BERPOTENSI DROP OUT Ni Luh Ratniasih
Jurnal Teknologi Informasi dan Komputer Vol 6, No 3 (2020): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

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

Abstract

ABSTRACTThe use of data mining is very helpful in the classification of students who have the potential to drop out. There are several algorithms that can be applied in its implementation so that in this study a comparison of the two classification algorithms is carried out by comparing the level of accuracy produced by the two algorithms. The classification algorithms compared in this study are the K-Nearest Neighbor algorithm and the C4.5 algorithm. The data used in this study were students of the ITB STIKOM Bali class of 2014 using 6 attributes, namely gender, age, religion, class status, practical work, and GPA value. The results showed that the accuracy rate of the K-Nearest Neighbor algorithm was 81.50% while the accuracy level of the C4.5 algorithm was 80.54%.Keywords: KNN, C4.5, Student Drop OutABSTRAKPemanfaatan data mining sangat membantu dalam klasifikasi mahasiswa yang berpotensi drop out. Terdapat beberapa algoritma yang dapat diterapkan dalam implementasinya sehingga dalam penelitian ini dilakukan komparasi dua algoritma klasifikasi dengan membandingkan tingkat akurasi yang dihasilkan kedua algoritma. Algoritma klasifikasi yang dibandingkan dalam penelitian ini adalah algoritma K-Nearest Neighbour dan algoritma C4.5. Data yang digunakan dalam penelitian ini adalah mahasiswa ITB STIKOM Bali angkatan tahun 2014 dengan menggunakan 6 atribut yaitu jenis kelamin, umur, agama, status kelas, kerja praktek, dan nilai IPK. Hasil penelitian menunjukkan bahwa tingkat akurasi algoritma K-Nearest Neighbour sebesar 81.50% sedangkan tingkat akurasi algoritma C4.5 sebesar 80.54%.Kata kunci: KNN, C4.5, Mahasiswa Drop Out
Co-Authors I Gede Arya Suartika I Gede Putu Adhitya Prayoga I Kadek Hedy Sugiantara I Ketut Suardika Artana Larasati Nabila Putri Ni Komang Sri Julyantari Ni Luh Mas Elma Yuniawati Ni Luh Putu Silvia Dewi Ni Made Astiti Ni Wayan Ninik Jayanti