Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Jurnal Ilmiah Intech : Information Technology Journal of UMUS
Nur Ariesanto Ramdhan
Universitas Muhadi Setiabudi
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Algoritma K-Means pada Klasterisasi Data kawalcovid19.id Akhmad Pandhu Wijaya; Agyztia Premana; Nur Ariesanto Ramdhan
Prosiding Seminar Sains Nasional dan Teknologi Vol 12, No 1 (2022): VOL 12, NO 1 (2022): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI
Publisher : Fakultas Teknik Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/psnst.v12i1.7294

Abstract

Indonesia merupakan Negara dengan jumlah pasien Covid-19 cukup besar mengingat kepadatan penduduknya yang meningkat dari masa ke masa, virus Corona Virus Disease 2019 atau yang disebut juga dengan Covid-19 muncul pertama kali pada Provinsi Hubei kota Wuhan-Tiongkok pada akhir Desember 2019. Pemerintah menerapkan berbagai cara untuk mendisiplinkan masyarakat Indonesia dalam beraktivitas dan menjaga diri dengan protokol kesehatan serta membatasi interaksi antar sesama, sehingga masyarakat kita mampu melewati gelombang pandemi. Perean Teknologi pada masa pandemi sangatlah besar terutama dalam menyebar luasan informasi secara digital yang mudah diakses dari perangkat dengan koneksi internet, hal ini menjadi doronga untuk diterapkannya teknik klasterisasi menggunakan K - Means untuk mengetahui angka peningkatan dan penurunan pada kasus Covid-19 serta membangun kewaspadaan bagi masyarakat. Data kasus tersebut diperoleh dari website kawalcovid19.id, dengan jumlah yang banyak tidak akan mudah dalam menganalisa dan mengambil informasi, maka dibutuhkan teknik untuk klasterisasi dengan tujuan untuk mendapatkan intisari dari kumpulan data tesebut. C4.5 menjadi algoritma yang dipilih untuk proses klasterisasi pada data ini, dengan dilakukannya proses kastering maka didapatkan sebanyak 28 Provinsi (82%) menjadi Provinsi dengan tingkat penularan rendah, dan 4Provinsi (12%) dengan tingkat penularan sedang, serta 2 Provinsi (6%) memiliki tingkat penularan tinggi dengan total 34 Provinsi di indonesia dengan kurun waktu sampling yang dibatasi.
PREDIKSI KELULUSAN MAHASISWA DENGAN NAÏVE BAYES DAN FEATURE SELECTION INFORMATION GAIN Sri Hartati; Nur Ariesanto Ramdhan; Haries Anom SAN
Jurnal Teknik Informatika UMUS Vol 4 No 02 (2022): November
Publisher : Universitas Muhadi Setiabudi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46772/intech.v4i02.889

Abstract

Kelulusan seorang mahasiswa dipengaruhi oleh banyak faktor, diantaranya kondisi ekonomi keluarga, nilai mahasiswa atau karena faktor lain yang berhubungan dengan tempat mahasiswa belajar. Kelulusan merupakan salah satu nilai penting pada saat proses akreditasi suatu perguruan tinggi. Oleh karena itu apabila mahasiswa banyak yang lulus tepat waktu akan mempengarui nilai akreditasinya. Permasalahan tersebut di atas harus segera diatasi dengan suatu metode. Data mining salah satu metode yang paling tepat untuk mengatasi maslah tersebut di atas. Suatu keilmuan yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data yang besar. Permasalahan kelulusan tepat waktu merupakan hal yang prioritas pada suatu perguruan tinggi. Oleh karena itu peneliti mengusulkan untuk melakukan mengembangkan penelitian tentang Predkisi kelulusan tepat waktu yang semula hanya menggunakan metode naive bayes, peneliti menambahkan feature selection information gain sebagai feature untuk menyeleksi atribut yang berbobot.
Co-Authors Agyztia Premana Akhmad Pandhu Wijaya, Akhmad Pandhu Haries Anom SAN Sri Hartati