No abstract

No abstract

Salah satu tugas dan kewajiban seorang dosen adalah melakukan penelitian dan pengabdian kepada masyarakat. Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Pelita Nusantara merupakan lembaga yang bertugas untuk mengelola dan mendata terkait penelitian dan pengabdian kepada masyarakat yang telah dilakukan oleh dosen dan mahasiswa. Pengelolaan data penelitian dan pengabdian kepada masyarakat masih menggunakan cara konvensional sehingga tidak efektif dan efisien dari sisi waktu dan biaya. Oleh karena itu diperlukan sebuah sistem informasi manajemen penelitian dan pengabdian kepada masyarakat (SIM-PPM) untuk kemudahan dalam pengelolaan dan pengontrolan progres laporan dari laporan proposal hingga laporan akhir.  SIM-PPM yang diakses oleh Dosen dan Mahasiswa, butuh pengelola untuk memelihara atau mantenance, agar selalu dapat digunakan dan dikembangkan sesuai dengan kebutuhan. Untuk itu perlu dilakukan pelatihan bagi LPPM dalam pengenalan dan pengoperasian SIM-PPM kepada Dosen maupun Mahasiswa guna mempermudah proses pengajuan penelitian dan pengabdian di linkungan STMIK Pelita Nusantara secara online.

Abstract. K-Nearest Neighbor (KNN) is a good classifier, but fro m several studies, the result performance accuracy of KNN still lo wer than other methods. One of the causes of the low accuracy produced, because each attribute has the same effect on the classification process, while some less relevant characteristics lead to mis s-classification of the class assignment for new data. In this research, we proposedAttribute Weighting Based K-Nearest Neighbor Using Gain Rat io as a parameter to see the correlation between each attribute in the data and the Gain Ratio also will be used as the basis for weighting each attribute of the dataset. The accuracy of results is compared to the accuracy acquired fro m the original KNN method using 10-fo ld Cross-Validation with several datasets from the UCI Machine Learning repository and KEELDataset Repository, such as abalone, glass identification,haberman, hayes -roth and water quality status. Based on the result of the test, the proposed method was able to increase the classification accuracy of KNN, where the highest difference of accuracy obtained hayes-roth dataset is worth 12.73%, and the lowest difference of accuracy obtained in the abalone dataset of 0.07%. The average result of the accuracy of all dataset increases the accuracy by 5.33%. (KNN) is one of the effective, simple and performs well method for classification [1][2][3], but from several studies, the result performance accuracy of KNN is lower than other methods. One of them is in the study by [4] which compared performance between support vector machine (SVM) and KNN. The result of their research seen that performance of SVM better than KNN, where the value accuracy obtained by SVM of 82.54% while the value obtained from KNN of 79.22%. Another study by [5] compared K-Nearest Neighbor (KNN) and Artificial Neural Network (ANN). The results of their study seen that the performance of ANN (with 5 hidden layers) better than KNN, where the result of accuracy is 90.5%. Research by [6] compared the performance of Naïve Bayes, Decision Tree and K-Nearest Neighbor (KNN). The results show that Naïve Bayes has the best accuracy in classification compared to Decision Tree Tree and K-Nearest Neighbor (KNN) with an average accuracy of 73.7%. whilethe average accuracy of Decision Tree and KNN respectively 58.9% and 56.7%. In the study by [7] compared KNN and Naïve Bayes in diagnosing heart disease. Results obtained by the value of accuracy Naïve Bayes of 79.62% while the average value of accuracy on KNN is only 64.85% whenk = 10. Introduction K-Nearest Neighbor

Polusi udara memperburuk situasi di daerah berpenduduk. Kota-kota besar di Indonesia juga menderita polusi udara. Kualitas udara telah berubah secara signifikan sebagai akibat dari peningkatan lalu lintas, konsumsi material kendaraan, pertumbuhan industri, pembakaran lahan, dan pengumpulan sampah. Diperlukan pengukuran dan klasifikasi kualitas udara yang akurat. Hasil klasifikasi yang akurat membantu dalam pembentukan peraturan negara. Untuk mencapai kriteria kualitas udara hidup, kami bermaksud mengelola pemantauan. Dengan menggunakan algoritma XGBoost dan metode synthetic minoritas oversampling (SMOTE) berdasarkan kategori ISPU (Air Pollution Standard Index), penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi kualitas udara. Algoritma klasifikasi yang digunakan adalah XGBoost, pendekatan pembelajaran mesin ensembel berdasarkan pohon keputusan dan menggunakan kerangka penguat gradien. Klasifikasi kualitas udara telah diuji dan terbukti bekerja dengan algoritme XGBoost. Dataset yang digunakan dalam penelitian ini adalah survei kualitas udara Kementerian Lingkungan Hidup sepanjang tahun 2017 hingga tahun 2021. Model klasifikasi yang diusulkan dievaluasi dengan metode K-fold cross-validation berulang untuk mendapatkan hasil yang objektif. Hasil penelitian menunjukkan bahwa SMOTE dan XGBoost memiliki kinerja yang lebih baik dalam memprediksi kualitas udara, dengan total skor akurasi SMOTE dan XGBoost sebesar 98,14%, total skor presisi sebesar 78,94%, dan total skor recall sebesar 79%, Skor F1-score adalah 98,14%, dengan nilai AUC-ROC sebesar 99,48%. Seluruh performa metode SMOTE dengan XGBoost yang diusulkan bekerja lebih baik dalam memprediksi polusi udara.