Abstrak – Facebook Group iRaise Helpdesk merupakan salah satu layanan media sosial yang digunakan pihak PTIPD UIN Suska Riau sebagai layanan pelanggan (customer services) sistem akademik. Mengingat sistem akademik baru mengalami peralihan yang sebelumnya bernama SIMAK menjadi iRaise, sehingga masih ada permasalahan yang ditimbulkan, dan menjadi keluhan bagi penggunanya. Untuk pengolahan data keluhan, pihak PTIPD masih menggunakan proses manual dengan menggunakan microsoft word dan excel. Sehingga pada penelitian ini akan dilakukan pengklasifikasian permasalahan sistem iRaise pada kategori multiclass yaitu: login, krs, nilai dan personal. Dengan menggunakan metode Support Vector Machine (SVM) dengan kernel RBF. Jumlah dataset sebanyak 1040 data keluhan. Pengujian dilakukan menggunakan aplikasi RapidMiner dan diuji dengan menggunakan 10-Fold cross validation dan diukur dengan confussion matrix. Dari hasil uji coba aplikasi menunjukkan akurasi tertinggi sebesar 95.67% pengujian tanpa menggunakan feature selection pada titik C=2 dan .Kata Kunci : confussion matrix, cross validation, iraise, keluhan, klasifikasi, rapidminer, support vector machine.
Abstrak - Tracer study adalah sebuah pendekatan yang diterapkan universitas untuk memperoleh informasi tentang kemungkinan kelemahan dalam proses pendidikan dan proses pembelajaran yang menjadi dasar perencanaan aktivitas untuk penyempurnaan di masa mendatang. Pada Universitas Islam Negeri Sultan Syarif Kasim Riau belum pernah ada tracer study yang komprehensif dan terstruktur dalam ruang lingkup universitas. Tracer study yang dilakukan hanya dalam lingkup program studi dan hanya dilaksanakan menjelang proses akreditasi prodi. Tidak ada tracer study yang rutin dilakukan di tingkat program studi dan universitas setiap tahunnya. Pada penelitian ini akan berfokus kepada penerapan data mining untuk mencari pola asosiasi pada data tracer study menggunakan Equivalence Class Transformation (ECLAT). Dari hasil penelitian terdapat 4 pola yang memenuhi support 13% dan confidence 80% dengan pengujian lift rasio 1. Pola tersebut diantaranya Jika ipk antara 3 – 3,5 dan gaji pertama dibawah 3 juta dan laki-laki maka status kelulusan tidak tepat waktu dan “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dengan support 17% dan confidence 84%. Jika ipk antara 3 – 3,5 dan perempuan maka “masa tunggu mendapatkan pekerjaan pertama kurang dari 6 bulan” dan hubungan pekerjaan dengan jurusan sesuai dengan support 14 % dan confidence 100%.Kata kunci: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat Abstract - Tracer study is an approach applied by universities to obtain important information in the education and learning process which is the basis for planning activities for future improvement. At UIN SUSKA University there has never been a comprehensive and structured tracer study within the scope of the university. There is no routine tracer study conducted at the study program and university level every year. This research will focus on the application of data mining to find association rules in tracer study data using ECLAT. From the research results, there are 4 patterns that meet the support of 13% and 80% confidence with a lift ratio test 1. The patterns include If the ipk is between 3 - 3.5 and the first salary is below 3 million and male then the graduation status is not on time and the waiting period to get the first job is less than 6 months with 17% support and 84% confidence. If the ipk is between 3 - 3.5 and female, then the waiting period to get the first job is less than 6 months and the job relationship with the major is in accordance with the support of 14% and confidence 100%.Keywords: Tracer Study, Data Mining, Asosiasi, Equivalence Class Transformation, Eclat
Pencemaran udara adalah salah satu permasalahan yang selalu mengganggu kesehatan lingkungan, seperti kabut asap yang belakangan ini terjadi setiap tahunnya di wilayah Kota Pekanbaru yang mengganggu kesehatan manusia bahkan sampai menelan korban jiwa. Untuk itu diterapkan ilmu dari data mining dengan metode K-means clustering yang dapat mengelompokkan polutan pencemar udara. Pengelompokan cluster dilakukan dengan beberapa kali pengujian dengan jumlah cluster berbeda dan juga dengan pengolahan data yang berbeda sebagai perbandingan untuk mencari hasil yang optimal. Setelah kelompok polutan dari 5 cluster di urutkan berdasarkan kadar polutan yang terkandung dapat disimpulkan bahwa polutan mengalami kenaikan antara bulan Juni dan Juli kemudian turun kembali pada bulan Oktober dan November sehingga diharapkan masyarakat lebih waspada pada rentang bulan-bulan tersebut untuk mencegah efek negatif dari polutan udara seperti ispa dan gangguan pernapasan lainnya bahkan dapat menyebabkan kematian.Kata kunci – Clustering, Data mining, K-means, Polutan udara
Buku-buku mengenai hadis banyak dijumpai di toko buku dan perpustakaan. Meskipun seseorang dapat mengakses hadis lewat buku, tidak semua masyarakat Indonesia memiliki buku-buku hadis dan kurang tertarik mencari hadis dalam bentuk buku. Adanya perkembangan teknologi sekarang, banyak bot atau chatbot dalam aplikasi Telegram yang memberikan informasi dengan lebih mudah. Pencarian hadis menggunakan teknologi bot diperlukan untuk memudahkan masyarakat dalam mencari hadis. Pembuatan bot Telegram untuk pencarian hadis menggunakan data dari buku Sahih Bukhari. Penyusun buku Sahih Bukhari mengelompokkan hadis-hadis menurut topik-topik tertentu ke dalam beberapa kitab dan bab. Tujuannya adalah mempermudah dalam menemukan hadis sesuai dengan babnya. Pembuatan bot Telegram menggunakan metode prototyping dan berhasil membuat bot sebagai layanan pencarian hadis. Berdasarkan pengujian black box yang dilakukan, bot berhasil menjalankan semua perintah sesuai dengan yang diharapkan. Pengujian User Acceptance Test (UAT) pada bot mendapatkan total hasil 82,8%. Hasil pengujian menunjukkan bahwa tingkat penerimaan responden terhadap bot Telegram pencarian hadis termasuk dalam kategori sangat setuju. Dari hasil pengujian UAT bisa disimpulkan bahwa pengguna dapat menerima dan menggunakan bot sesuai dengan kebutuhannya.
Beef is an example of an animal protein-rich food. The consumption of meat in Indonesia is increasing year after year, in tandem with the country's growing population. Many traders purposefully combine beef and pork in order to maximize profits. With the naked eye, it's difficult to tell the difference between pork and beef. In Muslim-majority countries, the assurance of halal meat is crucial. This study uses Deep Learning with the Convolutional Neural Network (CNN) method and ResNet-50 with data augmentation to classify images of beef and pork. The original meat picture databases contain 457 images, however following the data augmentation process, there are 2742 images in total, divided into three classes. The distribution of training and test data is 90 percent:10 percent in the comparison test scenario between the two original data schemes and supplemented data. With an average of 87.64 % accuracy, 87.59 % recall, and 90.90 % precision, the Confusion Matrix is the best classification performance model. There was no evidence of overfitting based on observations from the visualization of the training and testing process.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.