Claim Missing Document
Check
Articles

Found 3 Documents
Search

Bimbingan Teknis Pemanfaatan xSIA untuk Pelaporan Akademik Siswa di SDN No. 133 Kabupaten Takalar Poetri Lestari Lokapitasari Belluano; Purnawansyah Purnawansyah; Yudha Islami Sulistya; La Saiman; Kasmira Kasmira
Ilmu Komputer untuk Masyarakat Vol 2, No 1 (2021)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (202.406 KB) | DOI: 10.33096/ilkomas.v2i1.1001

Abstract

Sistem Informasi Akademik (xSIA) adalah sistem yang dibangun untuk mengelola data-data peserta ajar sehingga memberikan kemudahan kepada pengguna dalam hal ini adalah Guru dalam kegiatan administrasi akademik secara online. Sekolah perlu menyediakan layanan sistem informasi akademik dalam bentuk web application dimana Guru secara mandiri dapat melaksanakan pelaporan akademik siswa untuk kebutuhan sinkronisasi data Pelaporan Kinerja Guru (PKG) DAPODIK. Kemudahan dalam mengakses sistem informasi akademik mulai dari level Guru, Operator Sekolah sampai Kepala Sekolah diperlukan, sehingga pengembangkan xSIA untuk tingkat Pendidikan Dasar dan Menengah diterapkan sesuai spesifikasi User Experience (UX) dan Developer Experience (DX). Program Kemitraan Masyarakat (PKM) berupa bimtek pemanfaatan xSIA yang diikuti oleh Guru dilaksanakan dengan model latihan Preceptorship dan Partisipatif. sedangkan tahap peran DAPODIK dengan aplikasi digunakan model Prototyping untuk merepresentasikan secara grafis alur kerja sistem. Target luaran berupa aplikasi berbasis web xSIA untuk pelaporan data akademik siswa.
Analisis Performa Algoritma Stochastic Gradient Descent (SGD) Dalam Mengklasifikasi Tahu Berformalin Fadhila Tangguh Admojo; Yudha Islami Sulistya
Indonesian Journal of Data and Science Vol. 3 No. 1 (2022): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v3i1.42

Abstract

Tahu berformalin adalah salah satu jenis makanan yang sering mengandung bahan-bahan kimia yang dapat mengawetkan daripada tahu tanpa formalin. Pada tahu berformalin dapat memberikan tekstur lebih kenyal dan berwarna putih bersih. Penelitian ini bertujuan untuk mengklasifikasikan tahu berformalin dan tahu tidak berformalin. Pada paper ini menggunakan algoritma Stochastic Gradient Descent atau dalam penerapannya lebih dikenal dengan SGD Classifier yang merupakan bagian dari algoritma machine learning untuk klasifikasi, regresi maupun jaringan syaraf tiruan serta algoritma ini sangat efisien pada dataset berskala besar. Penelitian ini mencoba menerapkan algoritma SGD pada dataset tahu berformalin dengan jumlah dataset yakni 11000 yang dimana 5500 data tahu berformalin dan 5500 data tahu tidak berformalin. Setelah dilakukan beberapa tahapan dalam pengujian dengan algoritma SGD maka diperolah hasil akurasi, presisi, recall, f1-score pada model yang masing-masing 82.6% untuk akurasi, 81.7% untuk presisi, 84.1% untuk recall, 83.5% untuk f1-score dan dilakukan pengujian menggunakan 10 data yang tidak termasuk dalam data latih memperoleh performansi rata-rata akurasi sebesar 70%, presisi 71%, recall 70% dan f1-score 70%.
Analysis of the Ensemble Method Classifier's Performance on Handwritten Arabic Characters Dataset Abdul Rachman Manga'; Anik Nur Handayani; Heru Wahyu Herwanto; Rosa Andrie Asmara; Yudha Islami Sulistya; Kasmira Kasmira
ILKOM Jurnal Ilmiah Vol 15, No 1 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i1.1357.186-192

Abstract

Arabic character handwriting is one of the patterns and characteristics of each person's writing. This characteristic makes Arabic writing more challenging if the letter recognition process is based on a dataset of Arabic scripts. This Arabic script has been presented in a dataset totaling 16800, each representing a class of hijaiyah letters starting from alif to yes, consisting of 600 data for each class. The accuracy of the data used can be increased using the ensemble method. By using multiple algorithms at simultaneously, the ensemble technique can raise the level or result of a score in machine learning. This study's primary goal is to evaluate the ensemble method classifier's performance on datasets of handwritten Arabic characters. The classifier uses the ensemble method by applying the proposed soft voting to provide a multiclass classification of three machine learning algorithms, namely, SVM, Random Forest, and Decision Tree for classification. This research process produces an accuracy value for the voting classifier of 0.988 and several other SVM algorithms with an accuracy of 0.103, a random forest with an accuracy of 1.0, and a decision tree with an accuracy of 0.134. The test results used the confusion matrix evaluation model, including accuracy, precision, recall, and f1-score of 0.99.