TAUTAU
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan)Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan)Perguruan tinggi secara rutin melakukan tracer study setiap tahun sebagai upaya pemenuhan kebutuhan data akreditasi, perbaikan pembelajaran, dan pengembangan kurikulum demi meningkatkan kualitas lulusan. Kualitas lulusan dapat diukur dari kelancaran memperoleh pekerjaan setelah lulus; semakin lancar memperoleh pekerjaan, kualitas lulusan dianggap baik, sebaliknya bila tidak lancar maka kualitas dianggap kurang baik. Penelitian ini bertujuan menganalisis klasifikasi waktu tunggu kerja untuk mengetahui tingkat kelancaran alumni dalam mendapatkan pekerjaan dengan menggunakan metode Support Vector Machines (SVM) dan Backpropagation Neural Network (BPNN). Kedua metode, baik BPNN maupun SVM dengan fungsi kernel Anova, berhasil mengklasifikasikan data tracer study berdasarkan tingkat kelancaran (lancar atau tidak lancar) dengan akurasi yang hampir setara, yaitu 83,33 % untuk BPNN dan 83,00 % untuk SVM. Diharapkan pengetahuan tentang faktor‑faktor yang dapat mengklasifikasikan tingkat kelancaran memperoleh pekerjaan dapat membantu pihak universitas merumuskan kebijakan yang relevan sehingga kualitas lulusan semakin baik.
Metode BPNN dapat mengklasifikasikan data tracer study alumni Universitas Lampung untuk memperoleh pekerjaan (lancar atau tidak lancar) dengan learning rate 0,05 dan akurasi 83,33 %.Metode SVM dengan kernel Anova (gamma 0,1, cost 0) juga berhasil mengklasifikasikan data tersebut dengan akurasi 83,00 %.Kedua metode menunjukkan akurasi yang hampir sama, sehingga dapat dipakai untuk memprediksi tingkat kelancaran alumni dalam memperoleh pekerjaan.
Penelitian selanjutnya dapat menguji kinerja algoritma pembelajaran mesin lain, seperti Random Forest atau Gradient Boosting, untuk meningkatkan akurasi klasifikasi data tracer study alumni (pertanyaan: algoritma mana yang menghasilkan akurasi tertinggi?). Selain itu, penting untuk meneliti pengaruh variabel tambahan seperti kompetensi soft skill, pengalaman magang, dan partisipasi kegiatan ekstrakurikuler terhadap tingkat kelancaran memperoleh pekerjaan (pertanyaan: variabel-variabel ini berkontribusi berapa persen terhadap prediksi keberhasilan kerja?). Akhirnya, dilakukan studi longitudinal lintas universitas dengan sampel yang lebih luas untuk menilai generalisasi model klasifikasi dan mengevaluasi perbedaan faktor-faktor kontekstual antar institusi (pertanyaan: apakah model yang dibangun dapat diterapkan secara konsisten di berbagai perguruan tinggi?).
| File size | 573.46 KB |
| Pages | 7 |
| DMCA | Report |
Related /
UBUB Kakas yang dikembangkan memberikan kemudahan bagi pengembang dalam menganalisis struktur fungsional dan kode, mengidentifikasi modul penting, dan mempercepatKakas yang dikembangkan memberikan kemudahan bagi pengembang dalam menganalisis struktur fungsional dan kode, mengidentifikasi modul penting, dan mempercepat
UBUB Evaluasi langsung dengan pengguna tunanetra diperlukan untuk menilai efektivitas nyata. Pengembangan lebih lanjut sebaiknya menambahkan opsi bahasa, penyesuaianEvaluasi langsung dengan pengguna tunanetra diperlukan untuk menilai efektivitas nyata. Pengembangan lebih lanjut sebaiknya menambahkan opsi bahasa, penyesuaian
UBUB Evaluasi dilakukan pada 12 dataset NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menanganiEvaluasi dilakukan pada 12 dataset NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani
UBUB Tanpa mekanisme kendali, pendulum akan terus jatuh akibat gaya gravitasi karena sistem sangat tidak stabil. Pada studi ini, metode kendali Linear QuadraticTanpa mekanisme kendali, pendulum akan terus jatuh akibat gaya gravitasi karena sistem sangat tidak stabil. Pada studi ini, metode kendali Linear Quadratic
UBUB Hasil evaluasi menunjukkan bahwa Naïve Bayes menghasilkan akurasi 82% dengan precision tertinggi pada kelas positif (95,40%), sedangkan Random ForestHasil evaluasi menunjukkan bahwa Naïve Bayes menghasilkan akurasi 82% dengan precision tertinggi pada kelas positif (95,40%), sedangkan Random Forest
UBUB Hasil penelitian menunjukkan akurasi tinggi pada sebagian besar kelas, dengan prediksi benar lebih dominan. Kesalahan kecil terjadi pada kategori mirip,Hasil penelitian menunjukkan akurasi tinggi pada sebagian besar kelas, dengan prediksi benar lebih dominan. Kesalahan kecil terjadi pada kategori mirip,
UBUB Data penelitian diperoleh dari public dataset UCI Machine Learning. Fokus penelitian adalah meningkatkan kinerja klasifikasi dengan memanfaatkan teknikData penelitian diperoleh dari public dataset UCI Machine Learning. Fokus penelitian adalah meningkatkan kinerja klasifikasi dengan memanfaatkan teknik
UBUB Padi (Oryza sativa) merupakan sumber pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti Brown Spot, Hispa, dan Leaf Blast. Penyakit-penyakitPadi (Oryza sativa) merupakan sumber pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti Brown Spot, Hispa, dan Leaf Blast. Penyakit-penyakit
Useful /
UBUB Penelitian ini mengusulkan metode yang memodifikasi tiga tahap: (1) pemberian bobot berbeda pada setiap file model, view, dan controller, (2) penambahanPenelitian ini mengusulkan metode yang memodifikasi tiga tahap: (1) pemberian bobot berbeda pada setiap file model, view, dan controller, (2) penambahan
PNLPNL Hasil menunjukkan bahwa penyesuaian draft melalui kontrol damper hingga 35° dan penutupan register udara secara signifikan mengurangi konsumsi fuel oilHasil menunjukkan bahwa penyesuaian draft melalui kontrol damper hingga 35° dan penutupan register udara secara signifikan mengurangi konsumsi fuel oil
UBUB Saran penelitian lanjutan dapat mencakup pengembangan algoritma optimasi gabungan mesh–IRS berbasis Machine Learning, studi multi-IRS dan penempatanSaran penelitian lanjutan dapat mencakup pengembangan algoritma optimasi gabungan mesh–IRS berbasis Machine Learning, studi multi-IRS dan penempatan
TAUTAU Tahapan pengembangan dimulai dari penetapan product backlog berdasarkan user stories, sprint, pertemuan scrum, dan demo untuk memperoleh umpan balik cepatTahapan pengembangan dimulai dari penetapan product backlog berdasarkan user stories, sprint, pertemuan scrum, dan demo untuk memperoleh umpan balik cepat