Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JOMLAI: Journal of Machine Learning and Artificial Intelligence Jurnal Manajemen, Pendidikan dan Ilmu Komputer (JMENDIKKOM)
Ayu Utari Nasution
STIKOM Tunas Bangsa
Computer Science & IT Decision Sciences, Operations Research & Management Education Engineering Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Jenis Pupuk yang Tepat Berdasarkan Jenis Tanaman dan Kondisi Lahan Menggunakan Random Forest Ayu Utari Nasution; P.P.P.A.N.W.Fikrul Ilmi R.H.Zer
Jurnal Manajemen, Pendidikan Dan Ilmu Komputer Vol. 3 No. 1 (2026): Volume 3 No 1 Januari 2026
Publisher : Yayasan Darus Soleh Parung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65309/frecfb05

Abstract

Penelitian ini bertujuan untuk mengembangkan model berbasis Random Forest untuk memberikan rekomendasi jenis pupuk yang tepat berdasarkan kondisi tanah dan jenis tanaman. Data yang digunakan mencakup informasi tentang pH tanah, kelembapan, tekstur tanah, serta kandungan unsur hara (N, P, K) dan jenis tanaman yang meliputi Jagung, Padi, Kacang Tanah, dan lainnya. Model yang dikembangkan diuji pada dataset yang terdiri dari 600 sampel, dengan 30% digunakan untuk data uji. Hasil penelitian menunjukkan bahwa model Random Forest mencapai akurasi 97,83% dengan precision dan recall yang sangat baik pada sebagian besar kelas. Namun, kesalahan klasifikasi terjadi pada kelas NPK, dengan nilai recall 81,82%, yang mengindikasikan adanya kesulitan model dalam mengklasifikasikan jenis pupuk ini. Meskipun demikian, model ini menunjukkan kinerja yang baik dalam memberikan rekomendasi pupuk yang sesuai, yang dapat membantu petani memilih pupuk yang tepat dan meningkatkan hasil pertanian. Penelitian ini juga menunjukkan bahwa faktor-faktor seperti pH tanah dan jenis tanaman merupakan variabel yang sangat penting dalam menentukan jenis pupuk yang sesuai.
Application of the Gaussian Mixture Models (GMM) Algorithm to Identify Error Patterns in Compilation Ayu Utari Nasution; Eko Prima Ambarita; Nurhidayanti Nurhidayanti; Heba Elsisy Fadlia; Victor Asido Elyakim P
JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol. 4 No. 2 (2025): Juni 2025
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/jomlai.v4i2.5960

Abstract

In software development, the compilation process is a critical step that transforms source code into executable programs. These compilation errors can vary from simple syntax errors to more complex semantic errors, which often require a lot of time and effort to identify and fix. As a result, identifying recurring error patterns in the compilation process is important to improve software development efficiency. This study aims to explore the application of GMM in identifying error patterns in the compilation process. The results of this study indicate that the value of 0.58 on the Silhouette Score indicates that the clustering performed by GMM is quite good at identifying error patterns in compilation. The clusters are divided into 3, namely, Cluster 0 may indicate types of errors that occur more quickly (possibly related to syntax errors), with fewer lines of code and lower error frequency. Cluster 1 may represent more complex and less frequent errors (e.g., linker or runtime errors), with more lines of code. Cluster 2 may contain errors with different patterns, such as higher compilation duration or more frequent error frequency.
Co-Authors Eko Prima Ambarita Heba Elsisy Fadlia Nurhidayanti Nurhidayanti P.P.P.A.N.W.Fikrul Ilmi R.H.Zer Victor Asido Elyakim P