New Proposal
New Proposal
Analisis Perbandingan Performa Decision Tree Dan Random Forest Dalam Prediksi Minat
Kuliah Pada Perguruan Tinggi
Oleh :
PRODI INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS MUSLIM INDONESIA
2023
i
ii
DAFTAR ISI
iii
RINGKASAN
Perkembangan sebuah perguruan tinggi, salah satunya dilihat berdasarkan jumlah
mahasiswa yang diperoleh setiap tahunnya. Pada perguruan tinggi terutama swasta perolehan
mahasiswa setiap tahunnya menjadi faktor utama dalam berkembangnya perguruan tinggi tersebut.
Dikarenakan, mahasiswa menjadi sumber daya utama bagi perguruan tinggi swasta untuk mendapat
dana dalam menjalankan operasional yang ada di perguruan tinggi. Semakin banyaknya mahasiswa,
maka akan semakin besar pemasukan bagi perguruan tinggi, sehingga perguruan tinggi mudah
dalam menjalankan operasional kampus tanpa keterbatasan dana (1). Dimana perguruan tinggi harus
mennganalisis faktor yang dapat mempengaruhi seseorang akan berkuliah. hasil analisis akan
membantu perguruan tinggi dalam menerapkan konsep
Dimana keterkaitan dan perbuatan saling berkaita, apabila siswa tidak begitu tertarik pada
objek yang bersangkutan, maka seorang siswa tidak akan melakukan apa yang disukainya.
Ketertarikan tidak muncul tiba-tiba, dan minat seseorang dapat dipengaruhi olehbeberapa faktor,
baik dari faktor internal maupun dari faktor eksternal. Salah satu faktor eksternal yang
mempengaruhi minat belajar lebih lanjut ialah lingkungan sosial (2). Oleh karena itu dalam
penelitian ini akan dianalisis faktor yang mempengaruhi minat siswa dalam melanjutkan ke jenjang
Pendidikan yang lebih tinggi.
Dalam memprediksi minat siswa yang akan memilih untuk kuliah ataupun tidak, peneliti
akan menerapkan pendekatan data mining. Pada penelitian sebelumnya, didapatkan metode decision
tree mendapatkan hasil yang terbaik dibandingkan dengan metode lainnya. Tidak hanya decision
tree, random forest juga paling umum digunakan dalam melakukan prediksi suatu tugas data mining.
Berdasarkan latar belakang yang telah dikemukakan, maka pada penelitian ini, penulis akan
melakukan penelitian yang berjudul Analisis Perbandingan Algoritma Decision Tree Dan Random
Forest Dalam Prediksi Minat Kuliah Perguruan Tinggi.
1
BAB I. PENDAHULUAN
1. Latar Belakang
Jumlah mahasiswa merupakan salah satu faktor terbentuknya perguruan tinggi. Perlu
diketahui kampus harus mengetahui faktor-faktor apa saja yang mempengaruhi seseorang akan
berkuliah atau tidak. Perkembangan sebuah perguruan tinggi, salah satunya dilihat berdasarkan
jumlah mahasiswa yang diperoleh setiap tahunnya. Pada perguruan tinggi terutama swasta
perolehan mahasiswa setiap tahunnya menjadi faktor utama dalam berkembangnya perguruan
tinggi tersebut. Dikarenakan, mahasiswa menjadi sumber daya utama bagi perguruan tinggi
swasta untuk mendapat dana dalam menjalankan operasional yang ada di perguruan tinggi.
Semakin banyaknya mahasiswa, maka akan semakin besar pemasukan bagi perguruan tinggi,
sehingga perguruan tinggi mudah dalam menjalankan operasional kampus tanpa keterbatasan
dana (1). Dimana perguruan tinggi harus menganalisis faktor yang dapat mempengaruhi
seseorang akan berkuliah.
Menurut Slameto (2010), siswa yang memiliki ketertarikan untuk lanjut ke perguruant inggi
yang tinggi yaitu mereka yang menaruh minat pada salah satu bidang Pendidikan tinggi dan
berusaha untuk mencapainya. Minat siswa pada Pendidikan lebih lanjut merupakan sesuatu yang
timbul pada diri seseorang meliputi rasa senang, kehendak, kepedulian, ketertarikan, keperluan,
impian, kecenderungan, serta dorongan hati untuk menempuh Pendidikan lebih lanjut setelah
lulus SMA. Dimana keterkaitan dan perbuatan saling berkaita, apabila siswa tidak begitu tertarik
pada objek yang bersangkutan, maka seorang siswa tidak akan melakukan apa yang disukainya.
Ketertarikan tidak muncul tiba-tiba, dan minat seseorang dapat dipengaruhi olehbeberapa faktor,
baik dari faktor internal maupun dari faktor eksternal. Salah satu faktor eksternal yang
mempengaruhi minat belajar lebih lanjut ialah lingkungan sosial (2). Oleh karena itu dalam
penelitian ini akan dianalisis faktor yang mempengaruhi minat siswa dalam melanjutkan ke
jenjang Pendidikan yang lebih tinggi.
Dalam memprediksi minat siswa yang akan memilih untuk kuliah ataupun tidak, peneliti
akan menerapkan data mining. Data Mining juga dapat diartikan sebagai pengekstrakan
informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan
keputusan. Data mining merupakan bagian dari Knowledge Discovery in Database (KDD) yang
terdiri dari beberapa tahapan seperti pemilihan data, pra pengolahan data, transformasi, data
mining dan evaluasi hasil. Dengan menggunakan data mining maka informasi berharga di dalam
kumpulan data dapat digali (1). Pada penelitian sebelumnya, dilakukan penerapan satu metode
2
yaitu decision tree (3). Pada penelitian ini akan digunakan dua algoritma data mining diantaranya
decision tree dan random forest yang nantinya akan dilakukan perbandingan performanasi dari
kedua algoritma tersebut. Decision Tree merupakan algoritma yang umum digunakan untuk
pengambilan keputusan. Algoritma ini akan mencari solusi permasalahan dengan menjadikan
kriteria sebagai node yang saling berhubungan membentuk seperti struktur pohon. Decision tree
adalah model prediksi terhadap suatu keputusan menggunakan struktur hirarki atau pohon. Tidak
hanya decision tree, random forest juga paling umum digunakan dalam melakukan prediksi suatu
tugas data mining. Random Forest (RF) adalah algoritma yang menggunakan metode pemisahan
biner rekursif untuk mencapai node akhir dalam struktur pohon berdasarkan pohon klasifikasi
dan regresi (4).
Berdasarkan latar belakang yang telah dikemukakan, maka pada penelitian ini, penulis akan
melakukan penelitian yang berjudul Analisis Perbandingan Algoritma Decision Tree Dan
Random Forest Dalam Prediksi Minat Kuliah Pada Perguruan Tinggi.
2. Rumusan Masalah
Berdasarkan uraian latar belakang dan rumusan masalah yang telah dikemukakan, maka
dapat disimpulkan pertanyaan penelitian adalah :
1. Bagiaman algoritma decision tree dapat mengklasifikasikan jurusan yang berhasil?
2. Bagiaman algoritma random forest dapat mengklasifikasikan jurusan yang berhasil?
3. Bagaiaman perbandingan performa antara decision tree dan random forest?
4. Faktor apa yang mempengaruhi seseorang masuk ke perguruan tinggi.
3. Tujuan Penelitian
Berdasarkan rumusan masalah yang telah dikemukakan, maka dapat disimpukan tujuan
penelitian adalah:
1. Untuk mengetahui keberhasilan algoritma decision tree dapat mengklasifikasikan
jurusan yang berhasil
2. Untuk mengetahui keberhasilan algoritma random forest dapat mengklasifikasikan
jurusan yang berhasil
3. Untuk melakukan perbandingan performa algoritma decision tree dan random forest
dalam melakukan klasifikasi
4. Untuk menganalisis faktor yang mempengaruhi seseorang masuk ke perguruan tinggi.
3
BAB 2. TINJAUAN PUSTAKA
1. Landasan Teori
A. Model Prediksi
Pemodelan prediktif adalah metode untuk memprediksi masa depan dan untuk
melakukan pengambilan keputusan dengan cepat di tingkat pelanggan, klien, dan lainnya.
Untuk memprediksi masa depan, data disambung menjadi dua bagian yaitu pelatihan atau
validasi dan set pengujian. Data pelatihan digunakan untuk pemodelan dan membandingkan
juga memilih validasi dan diuji pada set pengujian di masa mendatan (5).
Tidak seperti metrik lainnya, metrik ini dihitung berdasarkan skor prediksi seperti Kurva
Presisi-Recall. presisi-recall disorot sebagai cara memplot untuk klasifikasi multi-kelas.
Untuk memahami ROC curve, dapat dilihat menggunakan confusion matrix (6).
4
berakhir pada koordinat (1, 1). FPR (1 – spesifisitas) diwakili oleh sumbu x dan TPR
(sensitivitas) diwakili oleh sumbu y. Dengan demikian, kurva ROC adalah plot sensitivitas
tes vs. (1-spesifisitas) juga. Interpretasi kurva ROC mirip dengan satu titik di ruang ROC,
semakin dekat titik pada kurva ROC ke koordinat ideal, semakin akurat pengujiannya (7).
B. Decision Tree
Metode yang paling umum digunakan dalam melaukan klasifikasi ialah decision tree.
Metode ini menggunakan struktur pohon dimana setiap node merepresentasikan atribut dan
cabangnya merepresentasikan nilai dari atribut sedangkan daunnya digunakan untuk
merepresentasikan kelas. Menurut Breiman at.al (1984), kemudahan pengguna dalam
memahami hasil yang diberikan dari metode ini menjadikannya popular. Aturan yang
dibentuk mirip dengan pohon membuat metode ini disebut sebagai poohn keputusan.
Manfaat utama dari menggunakan metode ini ialah kemampuan menyederhanakan proses
pengambilan keputusan sehingga pembuat keputusan dapat menafsirkan solusi untuk
masalah (8).
C. Random Forest
Random forest merupakan algoritma yang menggunakan metode pemisahan biner
rekursif dalam mencapai node akhir dalam struktur pohon berdasarkan pohon klasifikasi dan
regresi. Algoritma ini memiliki beberapa kelebihan diantaranya dapat mengatasi data
training (pelatihan) dalam jumlah besar secara eifisien, serta metode yang efektif untuk
mengestimasi missing data (4).
2. Kerangka Pikir
Data yang menampilkan tipe sekolah, akreditasi sekolah, demografinya dan beberapa
atribut lainnya yang membantu dalam prediksi mahasiswa akan berkuliah atau
sebaliknya dengan memberikan solusi terkait faktor yang mempengaruhi siswa lanjut
ke perguruan tinggi.
Data yang akan di eksplorasi terlebih dahulu melalui tahap expalanatory data
analysis (EDA) dan menerapakan algoritma data mining dalam melakukan
klasifikasi.
6
disbanding metode
decision tree.
3 Penerapan Dilakukan klasifikasi Menggunak Hasil dari
Algoritma terhadap anggur merah an metode perbandingan ketiga
random forest berdasarkan kualitas machine algoritma yang
untuk yang dipengaruhi oleh learning digunakan
menentukan setiap anggu merah atau dengan menunjukkan bahwa
kualitas Anggur red wine berdasarkan membandin random forest
Merah (2020) pada kandungan setiap g tiga menghasilkan akurasi
(9) jenis wine, dari setiap algoritma paling baik diantara
atribut yang berisi data mining algoritma lainnya
komposisi dalam wine yaitu yang telah diuji.
dilihat atribut mana Decision Dimana SVM
yang paling tree, memiliki nilai akurasi
mempengaruhi kualitas random terendah yaitu 0,65,
red wine, sehingga akan forest, dan decision tree sebesar
diketahui ingredients support 0,7031, dan random
yang dapat vecor forest dengan nilai
meningkatkan kualitas machine. akurasi tertinggi yaitu
dari wine tersebut. 0,7468. Oleh karena
itu, random forest
dianggap algoritma
paling baik dalam
mengklasfikasikan
kulitas red wine
berdasarkan
komposisinya.
4 Pengaruh Status Dalam proses Pada Hasil penelitian
Sosial Ekonomi pembelajaran, fasilitas penelitian menunjukkan faktor
Orang Tua penunjang terkadang ini yang mempengaruhi
Terhadap mahal harganya. menggunak keberhasilan siswa di
Tingkat Akibatnya bagi orang an metode Desa Buo terdiri dari
Keberhasilan tua yang tidak mampu survey tiga faktor antara lain
Mahasiswa di memenuhi fasilitas dengan faktor keluarga, faktor
Desa penunjang tersebut angket tempat belajar, faktor
Kecamatan maka anak akan berupa lingkungan lain di luar
Loloda terhambat dalam proses kuesioner keluarga.
Kabupaten belajar. Keadaan yang yang
Halmahera demikian dapat dilihat dibagikan
Barat (2021) di Desa Buo Kecamatan kepada
(10) Loloda Kabupaten mahasiswa
Halmahera Barat baru
terdapat santri-santri angkatan
dengan berbagai latar 2017/2018
belakang sosial yang
ekonomi orang tua yang menjadi
berbeda-beda. respondenn
Perbedaan status sosial ya.
ekonomi orang tua Kuesioner
7
siswa memiliki menggunak
pengaruh terhadap an skala
proses pembelajaran, Likert.
terutama dalam
pembiayaan segala
kebutuhan
pembelajaran.
5 Perbandingan Masa pandemic AMIK Metode Hasil perbandingan
Algoritma HASS mengalami yang menunjukkan bahwa
Klasifikasi Data kesulitan dalam digunakan klasifikasi tertingggi
Mining Untuk menentukan calon ialah Naïve diperoleh oleh
Penelusuran mahasiswa baru. bayes, algoritma decision tree
Minat Calon Sehingga dalam upaya deision tree J48.
Mahasiswa Baru menarik minat J48, dan k-
(2021) (11) masyarakat bagian nearet
matketing telah neighbor.
menerapkan beberapa
strategi dalam menarik
minat calon mahasiswa
untuk bergabung
menjadi mahasiswa
baru.
6 Perbandingan Keberadaan missing Mean dan Dari pengujian
Imputasi data dapat mengganggu Algoritma imputasi yang telah
Missing Data analisis yang akan K-Means dilakukan yaitu pada
Menggunakan dilakukan. Salah satu merupakan data yang
Metode Mean cara yang dapat metode mengandung 10%,
Dan Metode dilakukan untuk yang dapat 20% dan 30% missing
Algoritma K- menangani missing data digunakan data, didapat bahwa
Means adalah dengan mengisi untuk secara rata-rata
(Mukarromah, missing data dengan imputasi imputasi missing data
et.al, 2015) nilai-nilai yang missing menggunakan metode
mungkin berdasarkan data Algoritma K-Means
informasi yang tersedia dengan 2 cluster, 3
pada data atau dikenal cluster dan 4 cluster
dengan imputasi. menunjukkan hasil
yang lebih baik
dibanding metode
Mean.
8
4. Roadmap Penelitian
9
BAB 3. METODE PENELITIAN
1. Tahap Penelitian
Berikut ialah gambaran terkait tahapan pada penelitian ini:
10
dari berbagai jurnal di internet yang berhubungan dengan materi, terkait pelaksanaan
pengumpulan data tersebut.
6. Susunan Organisasi Peneliti/Pelaksana dan Pembagian Tugas
Tabel 2. Susunan Organisasi
Nama/NIDN Alokasi Uraian Tugas
Pendidikan Terakhir & Waktu
Kepakaran (jam/pekan)
Tim Dosen Peneliti
Ketua Peneliti: 10 Tugas Umum:
Sitti Rahmah Jabir, - Mengkoordinir penelitian secara keseluruhan
S.M., M.Sc., MTA - Mengkoordinasikan pengumpulan data
NIDN: 0918109501 Tugas khusus:
S2 Data Science and - Membuat desain konseptual penelitian
Business Analytics - Menyiapkan rancangan penelitian
- Melakukan data pre-processing
Kepakaran: - Melakukan prediksi menggunakan model logistic
Data Mining & regression
Business Intelligence
Anggota Peneliti (1): 8 Tugas umum:
Ir. St. Hajrah Mansyur - Mengkoordinir penelitian secara keseluruhan
S.Kom., M.Cs - Mengkoordinasikan pengolahan data
Tugas khusus:
- Melakukan exploratory data analysis (EDA)
- Melakukan pengolahan data awal
- Membantu mengelola data sekunder
- Membantu dalam analisis pengambilan keputusan
Anggota Peneliti: 8 Tugas Umum:
Ir. Huzain Azis, - Mengkoordinir pelaksanaan penelitian secara
S.Kom., M.Cs., MTA keseluruhan
NIDN: 0920098801 - Mengkoordinir pengumpulan data
S2 Ilmu Komputer Tugas khusus:
- Mendistribusikan tugas kepada anggota peneliti
11
- Membantu melakukan data pre-preprocessing
- Membantu membandingkan hasil imputasi
- Membantu melakukan prediksi
Mahasiswa yang terlibat dalam penelitian
Mahasiswa S1 10 Tugas Umum:
(Informatika) - Membantu jalannya penelitian secara keseluruhan
Nurul Alfiyyah Tugas Khusus:
NIM: 130 20190201 - Melakukan pengumpulan data
- Melakukan dokumentasi terkait hasil pengolahan
data
- Membantu menyiapkan data untuk penyusunan
laporan dan penyusunan artikel
Mahasiswa S1 (Sistem 10 Tugas Umum:
Informasi) - Membantu jalannya penelitian secara keseluruhan
Nurul Rahmayani Tugas Khusus:
NIM: 130 2020 0017 - Melakukan pengumpulan data sekunder
- Melakukan ekperimen terhadap imputasi data
- Melakukan data eksplorasi
12
BAB 4. LUARAN DAN TARGET CAPAIAN
13
BAB 5. BIAYA DAN JADWAL PENELITIAN
1. Anggaran Biaya
Ringkasan Anggaran Biaya Penelitian Dosen Pemula yang diusulkan dapat dilihat pada
Tabel 4.
Tabel 4. Anggara Biaya PDP
No. Jenis Pengeluaran Biaya yang Diusulkan (Rp)
1. Biaya Kegiatan Rp. 3.020.000
2. Bahan habis pakai dan peralatan Rp. 3.334.000
3. Perjalanan dan lain-lain Rp. 3.646.000
Jumlah Rp. 10.000.000
2. Jadwal Penelitian
Tabel 5. Jadwal Penelitian
No. Jadwal Penelitian Bulan
(ke)
1 2 3 4 5 6 7 8
1 Pengajual Proposal
Penelitian
2 Penelusuran
Dokumen Sumber
3 Pengambilan Data
4 Ekplorasi Data
5 Data Pre-processing
6 Prediksi Data &
Analisis
7 Penyempurnaan
laporan
8 Seminar
14
DAFTAR PUSTAKA
1. Nas C. Data Mining Prediksi Minat Calon Mahasiswa Memilih Perguruan Tinggi
Menggunakan Algoritma C4.5. J Manaj Inform. 2021;11(2):131–45.
2. Suryani D, Armiati A. Pengaruh Lingkungan Sosial dan Potensi Diri Terhadap Minat
Melanjutkan Studi Ke Perguruan Tinggi Pada Siswa Kelas XII SMA Pembangunan
Laboratorium UNP Universitas Negeri Padang. J Univ Negeri Padang. 2022;01(2):256–67.
3. Doahir A, Qolbi AN. ANALISIS POTENSI SISWA UNTUK KULIAH DENGAN
CLASSIFICATION MENGGUNAKAN METODE DECISION TREE. 2022;14(1):28–32.
4. Pamuji FY, Ramadhan VP. Komparasi Algoritma Random Forest dan Decision Tree untuk
Memprediksi Keberhasilan Immunotheraphy. J Teknol dan Manaj Inform. 2021;7(1):46–50.
5. SAS. Predictive Modeling using SAS Purpose of Predictive Modeling. 2006;
6. Saxena S. ROC and AUC for Model Evaluation [Internet]. 2022 [cited 2023 Feb 27].
Available from: https://towardsai.net/p/l/roc-and-auc-for-model-evaluation
7. Zhu W, Zeng N, Wang N. Sensitivity, specificity, accuracy, associated confidence interval
and ROC analysis with practical SAS® implementations. Northeast SAS Users Gr 2010 Heal
Care Life Sci. 2010;1–9.
8. Rizmayanti AI, Hidayati N, Nugraha FS, Gata W. Penerapan Data Mining Untuk
Memprediksi Kompetensi Siswa Menggunakan Metode Decission Tree ( Studi Kasus Smk
Multicomp Depok ). Swabumi. 2021;9(1):9–18.
9. Supriyadi R, Gata W, Maulidah N, Fauzi A. Penerapan Algoritma Random Forest Untuk
Menentukan Kualitas Anggur Merah. E-Bisnis J Ilm Ekon dan Bisnis. 2020;13(2):67–75.
10. Taluke J, Lesawengen L, Suwu A.A E. Pengaruh Status Sosial Ekonomi Orang Tua Terhadap
Tingkat Keberhasilan Mahasiswa Di Desa Buo Kecamatan Loloda Kabupaten Halmahera
Barat. J Holistik [Internet]. 2021;14(2):1–16. Available from:
https://ejournal.unsrat.ac.id/index.php/holistik/article/view/33777
11. Budiman B. Perbandingan Algoritma Klasifikasi Data Mining untuk Penelusuran Minat
Calon Mahasiswa Baru. Nuansa Inform. 2021;15(2):37–52.
15
LAMPIRAN
16
Lampiran 2. Halaman Pengesahan PDP
17
Lampiran 3. Justifikasi Anggaran Penelitian
1. Honor
Waktu Honor per
Honor/
Honor (jam/min Kegiatan Tahun (Rp)
Jam (Rp)
ggu) Tahun ke-1
Ketua Tim 1700 15 Membuat desain 1.020.000
Pengusul jam/40 konseptual penelitian,
minggu Menyiapkan rancangan
penelitian, Melakukan data
pre-processin, dan
melakukan prediksi
menggunakan model
decision tree & random
forest.
Anggota Pengusul 1400 15 Mendistribusikan tugas 840.000
1 jam/40 kepada anggota peneliti,
minggu membantu melakukan
exploratory data analysis
(EDA), membantu
menganalisis hasil
pengolahan data
Anggota Pengusul 1400 15 Mendistribusikan tugas 840.000
2 jam/40 kepada anggota peneliti,
minggu membantu melakukan data
pre-preprocessing,
membantu
membandingkan hasil
imputasi, dan membantu
melakukan prediksi
Anggota 800 5 jam/40 Melakukan pengumpulan 160.000
mahasiswa 1 minggu data, melakukan
dokumentasi terkait hasil
pengolahan data, dan
18
membantu menyiapkan
data untuk penyusunan
laporan dan penyusunan
artikel
Anggota 800 5 jam/40 Melakukan pengumpulan 160.000
mahasiswa 2 minggu data sekunder, melakukan
ekperimen terhadap
imputasi data, dan
melakukan data eksplorasi
Subtotal (Rp) 3.020.000
2. Peralatan Penunjang dan Bahan Habis Pakai
Biaya Per
Justifikasi Kuantita
Material Harga Satuan (Rp) tahun (Rp)
pemakaian s
ATK Penyelenggara
1. Kertas HVS Penyusuna 55.000 55.000
1 Rim
(A4) n Laporan
2. Kertas HVS Penyusuna 65.000 65.000
1 Rim
(F4) n Laporan
3. Modul / Penyusuna 25.000 250.000
10 orang
makalah n Laporan
4. Map Plastik Penyusuna 18.000 180.000
10 Buah
berkas n Laporan
Penyusuna 50.000 50.000
5. Pulpen 1 Dos
n Laporan
Penyusuna 10.000 120.000
6. Notebook 1 Lusin
n Laporan
7. Tinta Penyusuna 105.000 210.000
2 Botol
Printer/Inkjet n Laporan
Penyusuna 134.000 134.000
8. Catrik Hitam 1 Buah
n Laporan
19
Penyusuna 150.000 150.000
9. Catrik Warna 1 Buah
n Laporan
Bahan dan Alat
1. Layanan Penunjang 500.000 500.000
Software pengolaha 1 Pkt
n data
2. Paket Data Penunjang 90.000 360.000
pengelolaa 10 gb
n data
3. Tableau Penunjang 300.000 600.000
Software pengolaha 2 Bulan
n data
4. R Studio Penunjang 350.000 350.000
Software pengolaha 1 Buah
n data
5. Docker Penunjang 300.000 300.000
1 Buah
Installer Software
Subtotal (Rp) 3.334.000
3.Perjalanan dan Lain-lain
Justifikasi Kuantita Tahun ke-1
Material Harga Satuan (Rp)
perjalanan s
1. Bahan Ajar 1 Modul 1 500.000 500.000
2. Komunikasi 1 orang 2 223.000 446.000
3. Buku/Jurnal 1 orang - 700.000 700.000
4. Publikasi - 2 1.000.000 1.000.000
Jurnal
Subtotal (Rp) 2.646.000
Total Biaya 9.000.000
20
Lampiran 4. Susunan Organisasi Tim Peneliti dan Uraian Tugas
Nama/NIDN Alokasi Uraian Tugas
Pendidikan Terakhir & Waktu
Kepakaran (jam/pekan)
Tim Dosen Peneliti
Ketua Peneliti: 10 Tugas Umum:
Sitti Rahmah Jabir, - Mengkoordinir penelitian secara keseluruhan
S.M., M.Sc., MTA - Mengkoordinasikan pengumpulan data
NIDN: 0918109501 Tugas khusus:
S2 Data Science and - Membuat desain konseptual penelitian
Business Analytics - Menyiapkan rancangan penelitian
- Melakukan data pre-processing
Kepakaran: - Melakukan prediksi menggunakan model logistic
Data Mining & regression
Business Intelligence
Anggota Peneliti (1): 8 Tugas umum:
Ir. St. Hajrah Mansyur - Mengkoordinir penelitian secara keseluruhan
S.Kom., M.Cs - Mengkoordinasikan pengolahan data
Tugas khusus:
- Melakukan exploratory data analysis (EDA)
- Melakukan pengolahan data awal
- Membantu mengelola data sekunder
Membantu dalam analisis pengambilan keputusan
Anggota Peneliti: 8 Tugas Umum:
Ir. Huzain Azis, - Mengkoordinir pelaksanaan penelitian secara
S.Kom., M.Cs., MTA keseluruhan
NIDN: 0920098801 - Mengkoordinir pengumpulan data
S2 Ilmu Komputer Tugas khusus:
- Mendistribusikan tugas kepada anggota peneliti
- Membantu melakukan data pre-preprocessing
- Membantu membandingkan hasil imputasi
- Membantu melakukan prediksi
Mahasiswa yang terlibat dalam penelitian
21
Mahasiswa S1 10 Tugas Umum:
Muh. Acqmal Fadhilla - Membantu jalannya penelitian secara keseluruhan
Latief Tugas Khusus:
NIM: 130 2020 0061 - Melakukan pengumpulan data
- Melakukan dokumentasi terkait hasil pengolahan
data
- Membantu menyiapkan data untuk penyusunan
laporan dan penyusunan artikel
Mahasiswa S1 10 Tugas Umum:
Muhammad Fahmi - Membantu jalannya penelitian secara keseluruhan
NIM: 130 2019 0019 Tugas Khusus:
- Melakukan pengumpulan data sekunder
- Melakukan ekperimen terhadap imputasi data
- Melakukan data eksplorasi
22
Lampiran 5. Biodata Ketua dan Anggota Tim Pengusul
Biodata Ketua Pengabdian
A. Identitas Diri ( Ketua )
1. Nama Lengkap Sitti Rahmah Jabir, S.M., M.Sc., MTA
5. NIDN 0918109501
7. E-Mail rahmahjabir@umi.ac.id
1. Data Mining
12. Mata Kuliah yang Diampu
2. Business Intelligence
B. Riwayat Pendidikan
S-1 S-2
23
Judul Analisis Faktor-Faktor Adopsi Analysis of Predicted Food
Skripsi/Tesis/Disertasi Tcash Dengan Menggunakan and Service Rating by
Technology Acceptance Model Millennials Using Machine
(TAM)(Studi Kasus di Kota Learning Models on
Bandung) Restaurant and Customer
Profile Data For Segmenting
Approaches
1 Analysis of Predicted Food and Service Rating Penelitian Tesis, Asia Ketua
by Millennials Using Machine Learning Pacific Univesity
Models on Restaurant and Customer Profile (Rp.5.000.000)
Data For Segmenting Approaches
24
Biodata Anggota Pengabdian
Anggota 1:
A. Identitas Diri
1 Nama Lengkap Ir. St. Hajrah Mansyur S.Kom., M.Cs.
2 Jenis Kelamin L/P
3 Jabatan Fungsional Asisten Ahli
4 NIPS/NIK 7306085901850006
5 NIDN 0919018501
6 Tempat dan Tanggal Lahir Ujung Pandang, 19 Januari 1985
7 E-mail Hajrah.mansyur@umi.ac.id
8 Nomor Telepon/HP 0821 8720 0036
9 Mata Kuliah yang Diampu 1. Algoritma dan Pemrograman I (Wajib)
2. Algoritma dan Pemrograman II (Wajib)
3. Struktur Data (Wajib)
4. Taxonomy dan Antology Sistem Informasi
(Wajib)
5. Sistem Pendukung Keputusan (Wajib)
6. Rekayasa Perangkat Lunak (RPL) / (Wajib)
7. Sistem Pakar (Wajib)
8. Pengukuran & Implementasi Perangkat
Lunak (Pilihan)
9. Teknologi Informasi dan Komunikasi
(Wajib)
B. Riwayat Pendidikan
S1 S2
Nama Perguruan Universitas Muslim Indonesia Universitas Gadjah Mada
Tinggi (UMI) (UGM)
Bidang Ilmu Teknik Informatika Ilmu Komputer
Tahun Masuk – Lulus 2002 – 2006 2010 – 2013
Judul Skripsi/Tesis Sistem Pakar untuk Diagnosa Sistem Pakar Pendiagnosa
Penyakit Gigi Pada Manusia Penyakit Karies dengan
Metode Certaity Factor dan
Fuzzy Tsukamoto
Nama Pembimbing 1. Ir. Dirgahayu Lantara, M.T. 1. Prof. Hartati, P.hD.
2. Harlinda,
S.Kom.,MM.,M.Kom.
C. Penelitian 5 Tahun Terakhir
Skema Penelitian &
Kedudukan dalam
No. Judul Penelitian / Tahun Sumber
tim
dan Besar Dana
1 Perancangan Aplikasi Monitoring PC Penelitian Pemula, Ketua Tim
Berbasis Desktop Pada Program Studi Universitas Muslim
Teknik Informatika Fakultas Ilmu Indonesia,
Komputer (2017) Rp. 5.000.000
25
2 Analisis Penelusuran Tata Letak Buku Penelitian Pemula, Ketua Tim
dengan Metode Term Frequency Universitas Muslim
Inverse Document Frequency (TF- Indonesia,
IDF) Pada Perpustakaan Fakultas Ilmu Rp. 5.000.000
Komputer (2018)
3 Analisis Efektivitas Aplikasi Sistem Penelitian Pemula, Ketua Tim
Pemasaran Online Pada Produk Kunyit Universitas Muslim
Bubuk Kelompok Tani Madaniyah Indonesia,
dengan Metode PIECES Framework Rp. 7.000.000
(2019)
4 Penerapan metode System Penelitian Pemula, Ketua Tim
Development Life cycle pada Aplikasi Universitas Muslim
Pharmaceutcal Tanaman Obat Indonesia,
keluarga Berbasis Android (2019) Rp. 7.000.000
5 Analisis pengukuran kinerja sistem Mandiri Ketua Tim
teknologi informasi pada perguruan
tinggi swasta dengan penerapan IT
Balanced Scorecard dan Multi
Attribute Decision Making (2020)
6 Analisis Pengujian Aplikasi Penelitian Pemula, Ketua Tim
Pembelajaran Digital Berbasis Website Universitas Muslim
dengan Metode Weighting Product dan Indonesia,
Ordered Weighting Averaging (2021) Rp. 8.000.000
26
3 Implementation of a School Jurnal Teknik Informatika Corresponding
Information System Using Rapid (JUTIF) Author
Application Development Vol. 3, No. 6, Desember 2022, hlm.
1501-1512
Method DOI:
(Desember, 2022) https://doi.org/10.20884/1.jutif.2022.3.
6.333
p-ISSN: 2723-3863 e-ISSN: 2723-
3871
4 Analisis Perbandingan Algoritma Jurnal Teknik Informatika Corresponding
Floyd-Warshall dan A Star (A*) dan Sistem Informasi Author
dalam Penentuan Lintasan Vol. 9, No. 4, Desember 2022, Hal.
2736-2751
Terpendek ISSN 2407-4322; E- ISSN 2503-2933
(Desember, 2022)
5 Penerapan Metode SMARTER Jurnal Media Informatika Anggota
Pada Penentuan Media Literasi Budidarma
Pembelajaran Anak Berkebutuhan Volume 6, Nomor 4, Oktober 2022,
Page 2316-2326 ISSN 2614-5278
Khusus (media cetak), ISSN 2548-8368
(media online) Available Online at
https://ejurnal.stmik-
budidarma.ac.id/index.php/mib DOI:
10.30865/mib.v6i4.4885
H. Kekayaan Intelektual
28
6 Peningkatan Pemberdayaan Masyarakat Sentra PKM UMI Ketua Tim
Teknologi dalam Pengelolaan Sistem Rp. 7.000.000
Pemasaran Digital Pada Kelompok Tani
Madaniyah Kabupaten Jeneponto, Sulawesi
Selatan (2021)
7 Pemberdayaan Kelompok Wanita Pembuat Ditjen Anggota Tim
Dodol Ketan Di Desa Belabori Kecamatan Diktiristek,
Parangloe Kabupaten Gowa (2021) Rp. 58.000.000
8 Peningkatan Kompetensi Tenaga Kependidikan PKM UMI Ketua Tim
Penggunaan Learning Management System Rp. 6.000.000
pada Class Teams Berbasis Virtual Educator
Workshop (2022)
Semua data yang saya isikan dan tercantum dalam biodata ini benar dan dapat
dipertanggungjawabkan secara hukum. Apabila dikemudian hari ternyata dijumpai ketidaksesuaian
dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenar-benarnya untuk memenuhi salah satu prasyaratan
dalam pengajuan Hibah.
29
Anggota 2:
A. Identitas Diri (Anggota)
1. Nama Lengkap Ir. Huzain Azis, S.Kom., M.Cs., MTA
5. NIDN 0920098801
7. E-Mail Huzain.azis@umi.ac.id
1. Datamining
12. Mata Kuliah yang Diampu
2. Multimedia
B. Riwayat Pendidikan
S-1 S-2
30
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggung
jawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidak-sesuaian dengan
kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya buat dengan sebenar-
benarnya. Surat pernyataan ini dibuat untuk digunakan sebagaimana mestinya.
31
Lampiran 6. Surat Pernyataan Ketua Pengusul
32
Lampiran 7. Format Penilaian Proposal Penelitian Dosen Pemula (PDP)
Makassar, ………………
Penilai,
Tanda tangan
33
( …………………….)
34
Lampiran 8. Format Catatan Harian (Logbook)
Keterangan: hasil yang dicapai pada setiap kegiatan (foto, grafik, tabel,
catatan,dokumen, data dan sebagainya) dilampirkan
35