Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi JIKA (Jurnal Informatika) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Siti Nurdiani
Universitas Bina Sarana Informatika
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Neuroscience Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Pengembangan Aplikasi Prediksi Harga Mobil Bekas Menggunakan Algoritma Random Forest Rika Safitri; Indah Rizky Mauliyani; Risnawati Risnawati; Astiti Lestari; Siti Nurdiani

Publisher :

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.10030

Abstract

Abstrak - Penelitian ini mengembangkan sistem prediksi harga mobil bekas menggunakan Algoritma Random Forest dengan menggunakan dataset Car Dekho Used Car Prices yang diperoleh dari platform Kaggle. Himpunan data tersebut mencakup 15411 row data mobil dengan 14 atribut, dan memiliki total data sebanyak 46.322. Proses penelitian meliputi data collecting, exploratory data analysis, data preprocessing (pengecekan missing values dan encoding variabel kategorikal), pembagian data menggunakan train-test split pembagian ini dilakukan dengan perbandingan data Training set (80%) dan data Testing set (20%). Hasil analisis menunjukkan bahwa fitur km_driven, vehicle_age, max_power, dan mileage memiliki pengaruh paling signifikan terhadap prediksi harga. Model Random Forest memberikan performa prediksi yang baik dengan nilai MAE sebesar Rupee130.309, RMSE sebesar Rupee212.103, dan R² sebesar 0,9505, yang berarti model mampu menjelaskan 95,05% variasi harga jual mobil bekas. Model kemudian diimplementasikan dalam aplikasi berbasis Streamlit yang memungkinkan pengguna memasukkan spesifikasi kendaraan dan memperoleh estimasi harga secara interaktif. Sistem prediksi ini dapat membantu konsumen dan pelaku bisnis dalam menentukan harga mobil bekas secara lebih akurat dan informatif.Kata kunci : Prediksi Harga Mobil Bekas; Random Forest; Machine Learning; Streamlit; Abstract - This research developed a used car price prediction system using the Random Forest algorithm with the Car Dekho Used Car Prices dataset obtained from the Kaggle platform. The dataset includes 15,411 rows of car data with 14 attributes, for a total of 46,322 data points. The research process includes data collecting, exploratory data analysis, data preprocessing (checking missing values and encoding categorical variables), and data division using train-test split. This division is carried out with a comparison of the training set (80%) and testing set (20%) data. The analysis results show that the features km_driven, vehicle_age, max_power, and mileage have the most significant influence on price prediction. The Random Forest model provided good prediction performance with an MAE value of IDR 130,309, an RMSE of IDR 212,103, and an R² of 0.9505, which means that the model was able to explain 95.05% of the variation in used car prices. The model was then implemented in a Streamlit-based application that allows users to enter vehicle specifications and obtain price estimates interactively. This prediction system can help consumers and businesses determine used car prices more accurately and informatively.Keywords: Used Car Price Prediction; Random Forest; Machine Learning; Streamlit;
Implementasi dan Evaluasi Kinerja Sistem Informasi Logistik Berbasis Mobile Menggunakan Metode Pieces dan TAM pada CV Borneo Mega Mandiri Doni Candra Pratama; Dedi Saputra; Siti Nurdiani
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1442

Abstract

Implementasi sistem informasi berbasis mobile pada sektor logistik menjadi salah satu upaya perusahaan dalam meningkatkan efisiensi operasional, mempercepat proses distribusi, serta meningkatkan kualitas pelayanan. Namun, keberhasilan implementasi sistem informasi tidak hanya ditentukan oleh kualitas sistem, tetapi juga oleh tingkat penerimaan pengguna terhadap teknologi yang digunakan. Penelitian ini bertujuan untuk mengevaluasi implementasi Sistem Informasi Logistik Berbasis Mobile pada CV Borneo Mega Mandiri menggunakan pendekatan PIECES (Performance, Information, Economy, Control, Efficiency, Service) dan Technology Acceptance Model (TAM). Penelitian menggunakan metode kuantitatif dengan teknik survei terhadap 47 responden yang merupakan pengguna aktif sistem informasi logistik. Data dikumpulkan melalui kuesioner skala Likert dan dianalisis menggunakan IBM SPSS Statistics melalui uji validitas, uji reliabilitas, uji asumsi klasik, serta analisis regresi linear berganda. Hasil penelitian menunjukkan bahwa seluruh instrumen penelitian dinyatakan valid dan reliabel. Analisis regresi menunjukkan bahwa variabel PIECES memiliki koefisien sebesar −0,037 dengan nilai signifikansi 0,365, sedangkan variabel TAM memiliki koefisien sebesar 0,069 dengan nilai signifikansi 0,321, sehingga keduanya tidak berpengaruh secara signifikan terhadap evaluasi kinerja sistem informasi. Nilai koefisien determinasi sebesar 0,022 menunjukkan bahwa model penelitian hanya mampu menjelaskan 2,2% variasi evaluasi kinerja sistem. Penelitian ini memberikan kontribusi berupa evaluasi yang mengintegrasikan metode PIECES dan TAM sebagai dasar penyusunan rekomendasi pengembangan sistem informasi logistik yang lebih efektif dan berorientasi pada kebutuhan pengguna
PEMODELAN PREDIKSI TSUNAMI DENGAN MACHINE LEARNING MENGGUNAKAN PYCARET PADA DATA HISTORIS GEMPA Muhammad Iqbal; Siti Nurdiani; Lisnawanty Lisnawanty; Muhammad Fahmi Julianto
Jurnal Informatika Vol 10 No 1 (2026): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v10i1.15571

Abstract

AbstractIndonesia faces high tsunami risk due to its position on the Pacific Ring of Fire. This study analyzes machine learning implementation using PyCaret AutoML framework for tsunami prediction based on earthquake parameters. The dataset consists of 782 earthquake records with 13 features. Methodology includes automated preprocessing with outlier removal (16.88%), 80:20 train-test split, 10-fold cross-validation, and comprehensive evaluation. Results show XGBoost achieved best performance (93.95% accuracy, 97.19% AUC, 90.89% F1-score), LightGBM highest AUC (97.35%), Random Forest highest recall (93.11%), and SVM lowest performance (75.81% accuracy). Detailed analysis of PyCaret's automated workflow validates ensemble boosting superiority for tsunami early warning systems in Indonesia.Keywords: tsunami, machine learning, PyCaret, XGBoost, early warningAbstrakIndonesia menghadapi risiko tsunami tinggi karena posisinya di jalur Cincin Api Pasifik. Penelitian ini menganalisis implementasi machine learning menggunakan framework PyCaret AutoML untuk prediksi tsunami berdasarkan parameter gempa bumi. Dataset terdiri dari 782 rekaman gempa dengan 13 fitur. Metodologi mencakup preprocessing otomatis dengan penghapusan outlier (16,88%), pembagian data 80:20, cross-validation 10-fold, dan evaluasi komprehensif. Hasil menunjukkan XGBoost mencapai performa terbaik (akurasi 93,95%, AUC 97,19%, F1-score 90,89%), LightGBM AUC tertinggi (97,35%), Random Forest recall tertinggi (93,11%), dan SVM performa terendah (akurasi 75,81%). Analisis detail workflow otomatis PyCaret memvalidasi keunggulan ensemble boosting untuk sistem peringatan dini tsunami di Indonesia.Kata Kunci: tsunami, machine learning, PyCaret, XGBoost, peringatan dini 
Co-Authors Astiti Lestari Dedi Saputra Doni Candra Pratama Indah Rizky Mauliyani Lisnawanty Muhammad Fahmi Julianto Muhammad Iqbal Rika Safitri Risnawati Risnawati