PUBLIKASIINDONESIAPUBLIKASIINDONESIA
Jurnal Indonesia Sosial TeknologiJurnal Indonesia Sosial TeknologiDalam pendidikan, kesuksesan para alumni dalam mendapatkan pekerjaan setelah lulus menjadi tolok ukur penting bagi institusi pendidikan dalam menilai kualitas pendidikan yang diberikan. Penelitian ini bertujuan untuk memperkirakan kategori waktu tunggu alumni berdasarkan kemampuan alumni untuk lulus saat berhubungan dengan kategori waktu tunggu dan merancang perangkat lunak yang dapat memprediksi kategori waktu tunggu alumni dengan metode klasifikasi. Metode yang diterapkan adalah CRISP-DM. Data yang digunakan adalah data studi penelusuran pada tahun 2021 dengan 4.734 catatan. Dengan tingkat signifikansi 5% (0.05), ditemukan bahwa kategori waktu tunggu memiliki hubungan positif dan merugikan dengan variabel IPK, Waktu Tunggu, Provinsi Kerja Pertama, Penghasilan Pertama, Etika, Keahlian, dan kemampuan bahasa Inggris. Dalam penelitian ini, diterapkan validasi 10-lipat yang menghasilkan akurasi algoritma pohon keputusan sebesar 84.33%, algoritma K-NN sebesar 75.45%, algoritma Naive Bayes Classifier sebesar 85.21%, dan algoritma Random Forest sebesar 84.04%. Selain itu, dilakukan uji berbeda (T-Test) yang menunjukkan bahwa algoritma Naive Bayes Classifier adalah algoritma yang paling dominan di antara tiga algoritma lainnya sehingga dapat mengklasifikasikan dan memprediksi kategori waktu tunggu dengan baik. Penelitian ini menyimpulkan bahwa penerapan algoritma Naïve Bayes dapat memprediksi waktu tunggu alumni untuk mendapatkan pekerjaan dengan efektif. Implikasinya adalah pengembangan perangkat lunak berbasis web yang dapat digunakan oleh institusi pendidikan untuk menganalisis waktu tunggu alumni, memberikan rekomendasi untuk kebijakan pendidikan, dan membantu siswa dalam merencanakan strategi karier yang lebih baik.
Berdasarkan analisis terhadap Aplikasi Algoritma Naïve Bayes dalam Memperkirakan Waktu Tunggu Alumni untuk Mendapatkan Pekerjaan (Studi Kasus.1) Terdapat beberapa variabel yang terkait dengan Kategori Waktu Tunggu Alumni dengan tingkat korelasi yang sangat rendah, termasuk.2) Dalam penelitian ini, algoritma Naïve Bayes classifier adalah algoritma yang paling unggul dibandingkan dengan algoritma pohon keputusan, K-NN, dan random forest dengan tingkat akurasi sebesar 85.Algoritma Naïve Bayes classifier mampu mengklasifikasikan dan memprediksi Kategori Waktu Tunggu dengan baik.
Untuk penelitian lanjutan, disarankan untuk: 1) Mempertimbangkan faktor-faktor lain yang mempengaruhi waktu tunggu alumni, seperti pengalaman kerja saat kuliah, kegiatan organisasi, dan keterlibatan magang. 2) Menguji algoritma lain seperti Support Vector Machine (SVM) atau Deep Learning untuk melihat apakah dapat menghasilkan hasil prediksi yang lebih akurat. 3) Melakukan validasi dengan data dari universitas lain untuk menguji keandalan model yang dikembangkan. 4) Mengembangkan sistem prediksi berbasis kecerdasan buatan dengan model pembelajaran mesin yang lebih kompleks untuk meningkatkan akurasi prediksi.
- PENERAPAN ALGORITMA NAÃÂVE BAYES DENGAN BACKWARD ELIMINATION UNTUK PREDIKSI WAKTU... Doi.Org/10.33387/Jiko.V4i3.3272PENERAPAN ALGORITMA NAyEeyCAaVE BAYES DENGAN BACKWARD ELIMINATION UNTUK PREDIKSI WAKTU Doi Org 10 33387 Jiko V4i3 3272
- J-ICON: Jurnal Komputer dan Informatika. alumni waiting period prediction bayes classifier computer science... doi.org/10.35508/jicon.v10i2.7426J ICON Jurnal Komputer dan Informatika alumni waiting period prediction bayes classifier computer science doi 10 35508 jicon v10i2 7426
- Login. required fields marked asterisk direktorat riset pengabdian masyarakat institut teknologi sepuluh doi.org/10.12962/j24609463.v8i2.1405Login required fields marked asterisk direktorat riset pengabdian masyarakat institut teknologi sepuluh doi 10 12962 j24609463 v8i2 1405
| File size | 436.93 KB |
| Pages | 11 |
| DMCA | Report |
Related /
STTMCILEUNGSISTTMCILEUNGSI Data mengalami proses pra-pemrosesan seperti pembersihan data, encoding, dan pemisahan menjadi himpunan pelatihan dan pengujian sebelum dimodelkan menggunakanData mengalami proses pra-pemrosesan seperti pembersihan data, encoding, dan pemisahan menjadi himpunan pelatihan dan pengujian sebelum dimodelkan menggunakan
CIPTA MEDIA HARMONICIPTA MEDIA HARMONI Hasil: Model regresi linier menghasilkan nilai RMSE sebesar 9,28, R² sebesar 0,9741, dan MAPE sebesar 2,6%. Hasil ini menunjukkan bahwa model mampu menangkapHasil: Model regresi linier menghasilkan nilai RMSE sebesar 9,28, R² sebesar 0,9741, dan MAPE sebesar 2,6%. Hasil ini menunjukkan bahwa model mampu menangkap
CIPTA MEDIA HARMONICIPTA MEDIA HARMONI Latar Belakang: Depresi menjadi isu krusial yang semakin sering dialami oleh mahasiswa akibat tekanan akademik, gaya hidup, dan tuntutan sosial. DeteksiLatar Belakang: Depresi menjadi isu krusial yang semakin sering dialami oleh mahasiswa akibat tekanan akademik, gaya hidup, dan tuntutan sosial. Deteksi
STTSSTTS 314 catatan pinjaman dengan distribusi yang tidak seimbang antara pinjaman lancar dan macet. Hasil eksperimen menunjukkan bahwa algoritma Random Forest314 catatan pinjaman dengan distribusi yang tidak seimbang antara pinjaman lancar dan macet. Hasil eksperimen menunjukkan bahwa algoritma Random Forest
UNAMAUNAMA Model Random Forest mencapai akurasi 92,20% dengan F1-Macro Score 0,9396 dan ROC-AUC 0,9955, sedangkan KNN memiliki akurasi 92,51% dengan F1-Macro ScoreModel Random Forest mencapai akurasi 92,20% dengan F1-Macro Score 0,9396 dan ROC-AUC 0,9955, sedangkan KNN memiliki akurasi 92,51% dengan F1-Macro Score
JOURNALCENTERJOURNALCENTER Domain aplikasi terdiversifikasi dengan sektor kesehatan mendominasi 37,5% implementasi. Aplikasi mencakup prediksi diabetes dan analisis epidemiologiDomain aplikasi terdiversifikasi dengan sektor kesehatan mendominasi 37,5% implementasi. Aplikasi mencakup prediksi diabetes dan analisis epidemiologi
NINETYJOURNALNINETYJOURNAL Visualisasi fitur mengonfirmasi bahwa model mampu mengidentifikasi kata kunci politik seperti “pemilu dan “partai secara konsisten. Penelitian membuktikanVisualisasi fitur mengonfirmasi bahwa model mampu mengidentifikasi kata kunci politik seperti “pemilu dan “partai secara konsisten. Penelitian membuktikan
PNCPNC Tujuan dilakukannya penelitian ini adalah mengetahui teknik mana yang akan menghasilkan akurasi paling baik dan akurat. Teknik Ensemble Boosting yang dipakaiTujuan dilakukannya penelitian ini adalah mengetahui teknik mana yang akan menghasilkan akurasi paling baik dan akurat. Teknik Ensemble Boosting yang dipakai
Useful /
STIT ALKIFAYAHRIAUSTIT ALKIFAYAHRIAU Temuan ini menunjukkan bahwa pembelajaran loose part efektif dalam merangsang kreativitas anak usia dini dan dapat menjadi strategi stimulasi perkembanganTemuan ini menunjukkan bahwa pembelajaran loose part efektif dalam merangsang kreativitas anak usia dini dan dapat menjadi strategi stimulasi perkembangan
PUBLIKASIINDONESIAPUBLIKASIINDONESIA Adopsi kendaraan listrik (EV) terus meningkat secara global karena kemajuan teknologi dan manfaat lingkungan, meskipun kendaraan berbahan bakar fosil masihAdopsi kendaraan listrik (EV) terus meningkat secara global karena kemajuan teknologi dan manfaat lingkungan, meskipun kendaraan berbahan bakar fosil masih
PUBLIKASIINDONESIAPUBLIKASIINDONESIA Penggunaan beberapa teknik klasifikasi dalam kerangka pembanding meningkatkan kebaruan penelitian ini. Mengingat meningkatnya frekuensi serangan siberPenggunaan beberapa teknik klasifikasi dalam kerangka pembanding meningkatkan kebaruan penelitian ini. Mengingat meningkatnya frekuensi serangan siber
NINETYJOURNALNINETYJOURNAL Sistem pakar ini dapat membantu memberikan pemahaman kepada masyarakat mengenai penyakit ISPA seperti gejala, penyebab, dan solusi. Dengan adanya aplikasiSistem pakar ini dapat membantu memberikan pemahaman kepada masyarakat mengenai penyakit ISPA seperti gejala, penyebab, dan solusi. Dengan adanya aplikasi