Abstract-Penentuan mahasiswa berprestasi (mawapres) tingkat fakultas terkadang mengalami kendala disaat penilaian kriteria tertentu pada kandidat kurang memenuhi namun di kriteria lain penilaian yang diperoleh melebihi ketentuan, juga apabila data-data atau informasi yang diberikan baik oleh juri maupun data kriteria dari kandidat tidak lengkap atau mengandung ketidakpastian yang mengakibatkan ketidakpastian nilai. Oleh karena itu tujuan dari penelitian ini adalah menerapkan metode Fuzzy untuk mengatasai ketidakpastian data atau informasi dan Multi-Attribute Decision Making (FMADM) dengan metode Simple Additive Weighting (SAW) untuk metode pengambilan keputusan dalam pemilihan mahasiswa berprestasi. Hasil dari penelitian ini adalah penerapan metode FMADM untuk mendukung pengambilan keputusan dalam pemilihan mahasiswa berprestasi tingkat fakultas dengan kandidat yang berasal dari setiap program studi. Keywords-Fuzzy; MADM; SAW; Mawapres I. PENDAHULUANMawapres atau mahasiswa berprestasi adalah mahasiswa yang berhasil mencapai prestasi tinggi, baik kurikuler, kokurikuler, maupun ekstrakurikuler sesuai dengan kriteria yang ditentukan. Mahasiswa berprestasi ini tidak hanya menekuni ilmu dalam bidangnya saja di program studi yang mereka pilih namun juga beraktifitas dalam mengembangkan kemampuan soft skillnya. harapannya agar mahasiswa menjadi lulusan yang mandiri, penuh inisiatif, bekerja secara cermat, penuh tanggung jawab dan tangguh ketika menghadapi dunia kerja dan wirausaha [3].Untuk memilih dan memberikan penghargaan serta memotivasi mahasiswa yang berprestasi ini pihak fakultas melakukan proses seleksi kepada beberapa kandidat mahasiswa berprestasi yang diambil dari masing-masing program studi dengan kriteria yang telah ditentukan. Proses penentuan mahasiswa berprestasi terkadang mengalami kendala disaat penilaian kriteria tertentu pada kandidat kurang memenuhi namun di kriteria lain penilaian yang diperoleh melebihi ketentuan, seperti contoh mahasiswa dengan nilai akademik yang tinggi tetapi tidak aktif dalam kegiatan kokurikuler dan ekstrakurikuler. Sebaliknya mahasiswa yang aktif dalam organisasi dan kegiatan pengembangan soft skills terkadang tidak memiliki nilai akademik yang tinggi. Untuk mengatasi ini diperlukan sebuah metode pengambilan keputusan untuk menentukan mahasiswa berprestasi terbaik di tingkat fakultas. Tujuan penelitian ini menggunakan metode Fuzzy MADM untuk menentukan mahasiswa berprestasi terbaik tingkat fakultas. Multiple Criteria Decision Making (MCDM) II. METODE A. Multi-Attribute Decision Making (MADM)MADM biasanya digunakan untuk melakukan penilaian atau seleksi terhadap beberapa alternatif dalam jumlah yang terbatas untuk menyeleksi alternatif terbaik dari sejumlah alternatif. Pendekatan pada metode MADM dilakukan melalui 2 tahap, yaitu: 1. Melakukan agregasi terhadap keputusan-keputusan yang tanggap terhadap semua tujuan pada setiap alternatif, 2. Melakukan perangkingan alternatif-alternatif keputusan tersebut berdasarkan agregasi keputusan.Metode MADM mengevaluasi m alternatif ( )...

No abstract

Information technology is developing rapidly and the effect is every single organization will always collect data and information. The information collected is used as a basis for decision making. But not all information can be directly used for the decision making process. Method and weighting are needed in the process of getting information. One method that can be used to support the decision making process is Multi-Objective Optimization on the basis of Ratio Analysis (MOORA). MOORA is included in the Multi Criteria Decision Making (MCDM) which makes it possible to provide the best choice of information from several choices by using criteria values. This research uses the MOORA method as determining strategic industrial locations by combining spatial data. In determining the strategic location of the industry, MOORA uses several criteria and different weights for each criteria. The MOORA with spatial data can be produce the right information related to the determination of strategic industry locations by finding the correlation between method results with industry location in Semarang city. The results obtained from this research are the formation of a decision support system modeling of industrial location determination using the MOORA method with spatial data. Correlation value generated by the Spearman Rank method is 0,9.

Kecepatan layanan, ketepatan, keakuratan data, kemudahan penyampaian informasi serta akuntanbilitas menjadi alasan yang sangat penting bagi penerapan system informasi. Universitas Semarang (USM) merupakan perguruan tinggi swasta di Semarang yang mempunyai mahasiswa terbanyak ke 2 se Jawa Tengah. USM salah satu perguruan tinggi yang sedang berkembang dengan pesat. Banyaknya mahasiswa membuat USM mempunyai tangung jawab yang besar terhadap pendidikan mahasiswa sehingga kelak menjadi lulusan yang siap kerja sesuai dengan kebutuhan dunia usaha atau industry. Berdasarkan data tracer USM tahun 2019 menunjukkan keselarasan horizontal yaitu keselarasan seberapa erat hubungan antara bidang studi dengan pekerjaan alumni, tampak bahwa masih ada ketidaksesuaian (tidak sama sekali=1,6%, kurang=19,2%. Dan cukup besar=27,5%) kemampuan lulusan dengan stakeholder. Hal ini menjadi perhatian khusus perguruan tinggi untuk membenahi/mengatur strategi agar prosentase data tersebut berkurang. Algoritma Apriori merupakan algoritma yang paling dikenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi ini juga digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining yang lain.  Aturan yang menyatakan asosiasi antara beberapa atributsering disebut affinity analysis atau market basket analysis. Penggunaan Algoritma Apriori pada perhitungan data mining dengan menggunakan data dari tracer Universitas Semarang bahwa Batasan dari minimum support adalah 50% dan minimum confidence nya adalah sebesar 100% sehingga membentuk 4 rules. Dari keempat rules yang dihasilkan bahwa pemodelan dengan menggunakan Algoritma Apriori dapat menghasilkan beberapa formasi rules sehingga dapat memberikan evaluasi kepada pihak Universitas untuk  menyusun langkah-langkah hal ini dapat dilihat  karena rule yang dihasilkan berbeda karena pada tiap hubungan lulusan dengan stakeholder mempunyai  acuan serta gaya yang berbeda,

The most important part in software engineering is a software defect prediction. Software defect prediction is defined as a software prediction process from errors, failures, and system errors. Machine learning methods are used by researchers to predict software defects including estimation, association, classification, clustering, and datasets analysis. Datasets of NASA Metrics Data Program (NASA MDP) is one of the metric software that researchers use to predict software defects. NASA MDP datasets contain unbalanced classes and high dimensional data, so they will affect the classification evaluation results to be low. In this research, data with unbalanced classes will be solved by the AdaCost method and high dimensional data will be handled with the Average Weight Information Gain (AWEIG) method, while the classification method that will be used is the Naïve Bayes algorithm. The proposed method is named AWEIG + AdaCost Bayesian. In this experiment, the AWEIG + AdaCost Bayesian algorithm is compared to the Naïve Bayesian algorithm. The results showed the mean of Area Under the Curve (AUC) algorithm AWEIG + AdaCost Bayesian yields better than just a Naïve Bayes algorithm with respectively mean of AUC values are 0.752 and 0.696.