UNDANAUNDANA
J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan InformatikaPenentuan Uang Kuliah Tunggal (UKT) di perguruan tinggi negeri selama ini masih bergantung pada verifikasi manual dokumen sosio-ekonomi, yang rentan subjektivitas, memakan waktu, dan memicu banding. Penelitian ini mengkaji efektivitas lima teknik seleksi fitur-filter (Chi-Square), embedded (Random Forest Importance, LASSO), wrapper (Recursive Feature Elimination), dan reduksi tak berlabel (Exploratory Factor Analysis) dalam meningkatkan kinerja lima algoritma klasifikasi (Decision Tree, Random Forest, SVM-RBF, K-Nearest Neighbor, Naïve Bayes) pada dataset UKT UNESA (9.369 entri × 53 variabel). Data dipra-proses dengan imputasi, scaling, encoding, dan SMOTE-NC, kemudian dievaluasi menggunakan Stratified 5-fold CV dan hold-out test (80:20). Hasil menunjukkan bahwa penggunaan seluruh 53 fitur (baseline) memberikan weighted-average akurasi sebesar 0,6244 ± 0,0057. Seleksi fitur menggunakan LASSO-13 dan Chi-Square-13 secara signifikan meningkatkan akurasi rata-rata menjadi 0,7300 dan 0,6775, masing-masing, serta mengurangi waktu pelatihan hingga 40–70%. SVM-RBF dengan LASSO-13 mencapai akurasi tertinggi (0,7939), diikuti Random Forest-Chi-Square (0,6987) dan Decision Tree-LASSO (0,7111). Uji Friedman terhadap distribusi akurasi model pada enam kondisi mengonfirmasi perbedaan signifikan (χ²=15,06; p=0,010). Temuan ini menegaskan bahwa seleksi fitur khususnya LASSO dan Chi-Square mampu mereduksi kompleksitas data (dari 53 ke 13 fitur) tanpa mengorbankan, bahkan meningkatkan performa prediktif model UKT. Rekomendasi meliputi integrasi metode seleksi terpilih dalam verifikasi UKT otomatis dan publikasi daftar fitur untuk transparansi. Kebaruan penelitian ini terletak pada perbandingan lima metode seleksi fitur dalam satu pipeline praproses terstandar pada data riil UKT UNESA, menghasilkan subset 13 fitur yang sesuai dengan kebijakan UKT saat ini. Temuan ini diintegrasikan ke sistem verifikasi UKT otomatis untuk meningkatkan akurasi dan efisiensi keputusan.
Penelitian ini menunjukkan bahwa seleksi fitur sangat penting untuk meningkatkan akurasi dan efisiensi model klasifikasi UKT.Metode LASSO-13 dan Chi-Square-13 secara signifikan meningkatkan akurasi dibandingkan dengan penggunaan seluruh fitur.SVM-RBF dengan LASSO-13 memberikan performa terbaik, menunjukkan potensi untuk integrasi dalam sistem verifikasi UKT otomatis guna meningkatkan akurasi dan efisiensi pengambilan keputusan.
Penelitian lanjutan dapat difokuskan pada pengembangan model prediktif UKT yang lebih adaptif dengan mempertimbangkan perubahan kebijakan dan karakteristik sosio-ekonomi mahasiswa dari berbagai universitas di Indonesia. Selain itu, eksplorasi metode seleksi fitur hibrida yang menggabungkan kekuatan filter dan embedded methods dapat menghasilkan subset fitur yang lebih optimal dan robust. Terakhir, penelitian perlu dilakukan untuk mengintegrasikan data non-struktural seperti esai motivasi atau data media sosial ke dalam model UKT untuk memberikan gambaran yang lebih komprehensif tentang kondisi sosio-ekonomi calon mahasiswa, sehingga meningkatkan keadilan dan akurasi dalam penentuan UKT.
| File size | 317.48 KB |
| Pages | 9 |
| DMCA | Report |
Related /
IKMIIKMI Cluster pertama menggambarkan kelompok siswa berprestasi tinggi, cluster kedua menunjukkan siswa dengan performa sedang-baik, dan cluster ketiga mencerminkanCluster pertama menggambarkan kelompok siswa berprestasi tinggi, cluster kedua menunjukkan siswa dengan performa sedang-baik, dan cluster ketiga mencerminkan
IKMIIKMI Metode penelitian deskriptif kualitatif menginterpretasikan hasil penelitian Triangulasi Data. Rancangan penelitian dimulai dari studi literatur, menyusunMetode penelitian deskriptif kualitatif menginterpretasikan hasil penelitian Triangulasi Data. Rancangan penelitian dimulai dari studi literatur, menyusun
IKMIIKMI Model baseline All Input mencapai akurasi 80.45%, sedangkan model Correlated Input mencapai akurasi 85.67%. Pengukuran menggunakan AUC pada model correlatedModel baseline All Input mencapai akurasi 80.45%, sedangkan model Correlated Input mencapai akurasi 85.67%. Pengukuran menggunakan AUC pada model correlated
1001TUTORIAL1001TUTORIAL Di antaranya, neural network mencapai akurasi tertinggi sebesar 93%. Kesimpulan: Metode wrapper ACO-RF yang diusulkan merupakan strategi seleksi fiturDi antaranya, neural network mencapai akurasi tertinggi sebesar 93%. Kesimpulan: Metode wrapper ACO-RF yang diusulkan merupakan strategi seleksi fitur
IRPIIRPI Setelah melalui tahap preprocessing data, seleksi fitur, dan pengujian asumsi regresi, ditemukan bahwa video_like_count, video_share_count, dan video_download_countSetelah melalui tahap preprocessing data, seleksi fitur, dan pengujian asumsi regresi, ditemukan bahwa video_like_count, video_share_count, dan video_download_count
IRPIIRPI Hasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraihHasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraih
IRPIIRPI Berdasarkan hasil ini, direkomendasikan pola makan sehat, aktivitas fisik teratur, manajemen stres, serta pemeriksaan kesehatan rutin. Penelitian ini membandingkanBerdasarkan hasil ini, direkomendasikan pola makan sehat, aktivitas fisik teratur, manajemen stres, serta pemeriksaan kesehatan rutin. Penelitian ini membandingkan
SHMPUBLISHERSHMPUBLISHER Untuk mengurangi risiko kredit pada lembaga kredit, praktik manajemen risiko kredit perlu diterapkan agar lembaga pemberi pinjaman dapat bertahan dalamUntuk mengurangi risiko kredit pada lembaga kredit, praktik manajemen risiko kredit perlu diterapkan agar lembaga pemberi pinjaman dapat bertahan dalam
Useful /
STIP FARMINGSTIP FARMING Margin saluran I adalah Rp 0,00, saluran II Rp.350,00, dan saluran III Rp.450,00. Farmers Share pada saluran I adalah 100%, saluran II 94,74%, dan saluranMargin saluran I adalah Rp 0,00, saluran II Rp.350,00, dan saluran III Rp.450,00. Farmers Share pada saluran I adalah 100%, saluran II 94,74%, dan saluran
IKMIIKMI Dataset yang digunakan terdiri dari 100 citra api dengan variasi kondisi visual, yang diproses melalui tahap pra-pemrosesan, konversi anotasi ke formatDataset yang digunakan terdiri dari 100 citra api dengan variasi kondisi visual, yang diproses melalui tahap pra-pemrosesan, konversi anotasi ke format
IRPIIRPI Kedua metode mencatat nilai Hamming Loss yang sama, yaitu 0,1048 (89,52%). Temuan ini menunjukkan bahwa kelengkapan dan kualitas data hadis Bukhari berkontribusiKedua metode mencatat nilai Hamming Loss yang sama, yaitu 0,1048 (89,52%). Temuan ini menunjukkan bahwa kelengkapan dan kualitas data hadis Bukhari berkontribusi
UNISTIUNISTI Indikator yang digunakan berasal dari penelitian, yaitu dimensi Kepercayaan (X1), Kemudahan (X2) dan Keputusan Pembelian (Y). Dari hasil analisis regresiIndikator yang digunakan berasal dari penelitian, yaitu dimensi Kepercayaan (X1), Kemudahan (X2) dan Keputusan Pembelian (Y). Dari hasil analisis regresi