Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Proximal: Jurnal Penelitian Matematika dan Pendidikan Matematika
Fithri Sri Mulyani
Universitas Cipasung Tasikmalaya
Mathematics

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

Found 3 Documents
Search

 1 
Perbandingan Algoritma K- Nearest Neighbor dan Naive Bayes Pada prediksi Harga saham Sektor Asuransi Rina Nurhayati; Pramesti Melyna Mushtofa; Fithri Sri Mulyani
Proximal: Jurnal Penelitian Matematika dan Pendidikan Matematika Vol. 9 No. 1 (2026): Volume 9 Nomor 1 Tahun 2026
Publisher : Universitas Cokroaminoto Palopo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30605/proximal.v9i1.7967

Abstract

Mengingat tingginya volatilitas pasar modal, kemampuan memprediksi pergerakan harga saham menjadi sangat krusial bagi investor dalam pengambilan keputusan strategis, khususnya pada sektor asuransi yang memiliki risiko yang dinamis. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu K- Nearest Neighbor (KNN) dan Naïve Bayes dalam memprediksi harga saham di sektor asuransi. Penelitian ini mengimplementasikan kedua algortima tersebut untuk memprediksi naik atau turunnya harga saham. Metode yang digunakan adalah metode kuantitatif komparatif, di mana instrumen pengumpulan data dilakukan melalui studi dokumentasi data sekunder berupa riwayat harga saham harian. Penelitian mengolah data harian dari lima perusahaan asuransi, yaitu asuransi Ramayana, Jasa Tania, Sinarmas, Tugu dan Panin, selama periode Mei 2023 hingga april 2025. Teknik analisis data dilakukan melalui beberapa tahapan, meliputi data cleaning, pembagian data, proses penerapan algoritma, serta evaluasi model. Data dibagi menjadi 80% untuk data latih dan 20% untuk data uji. Hasil kinerja model dievaluasi menggunakan confusion matrix, meliputi akurasi, recall, dan presisi. KNN secara konsisten lebih unggul dan stabil hampir di semua perusahaan yang diteliti. Akurasi KNN secara konsisten berkisar antara 92,84% hingga 97,63%. Presisi KNN juga kuat, berkisar antara 81,94% hingga 98,21%. Recall KNN juga sangat tinggi, bahkan mencapai 100%. Naïve Bayes menunjukan kinerja yang kurang konsisten dan bervariasi. Akurasi Naïve Bayes jauh lebih rendah pada perusahan Ramayana (64,03%) dan Jasa Tania (67,64%). Presisi Naïve Bayes sangat rendah pada saham Ramayana (34,29%) dan Jasa Tania (56,69%). Recall Naïve Bayes juga bervariasi. Pada nilai recall Naïve Bayes menghasilkan nilai yang bervariasi dan turun pada Jasa Tania (27,34%) dan Ramayana (30,70%).
A Perbandingan Algoritma Support Vector Machine dan Random Forest dalam Klasifikasi Kelayakan Pemberian Pinjaman pada BPR Nusumma Jawa Barat Tami Salsa Sabila; Fithri Sri Mulyani; Pramesti Melyna Mustofa
Proximal: Jurnal Penelitian Matematika dan Pendidikan Matematika Vol. 9 No. 1 (2026): Volume 9 Nomor 1 Tahun 2026
Publisher : Universitas Cokroaminoto Palopo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30605/proximal.v9i1.7977

Abstract

Pesatnya peningkatan pengajuan kredit pada lembaga keuangan menuntut adanya sistem evaluasi kelayakan pinjaman yang mampu bekerja secara cepat, akurat, dan objektif guna meminimalkan risiko kredit bermasalah. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan Random Forest (RF), dalam mengklasifikasikan kelayakan pemberian pinjaman pada BPR Nusumma Jawa Barat. Penelitian ini menggunakan data primer sebanyak 753 observasi dengan enam variabel prediktor dan satu variabel target berupa status pinjaman. Metode penelitian yang digunakan adalah eksperimen kuantitatif melalui beberapa tahapan, meliputi pembersihan data, penyeimbangan kelas menggunakan metode ROSE, transformasi data, pembangunan model SVM dan Random Forest, serta evaluasi kinerja model menggunakan confusion matrix, accuracy, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa algoritma SVM menghasilkan nilai AUC sebesar 0,9748, sedangkan algoritma Random Forest memperoleh nilai AUC sebesar 0,9953. Berdasarkan hasil tersebut, Random Forest menunjukkan performa klasifikasi yang lebih unggul dibandingkan SVM. Temuan ini mengindikasikan bahwa Random Forest berpotensi menjadi algoritma yang lebih optimal untuk diterapkan sebagai sistem pendukung keputusan dalam evaluasi kelayakan kredit, sehingga dapat membantu lembaga keuangan dalam meningkatkan efektivitas dan kualitas pengambilan keputusan kredit.
Analisis Fuzzy Time Series pada Jumlah Penumpang Kereta Api Whoosh dengan Markov Chain dan Lee Nia Nurhasanah; Fithri Sri Mulyani; Pramesti Melyna Mustofa
Proximal: Jurnal Penelitian Matematika dan Pendidikan Matematika Vol. 9 No. 1 (2026): Volume 9 Nomor 1 Tahun 2026
Publisher : Universitas Cokroaminoto Palopo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30605/proximal.v9i1.8009

Abstract

Fluktuasi jumlah penumpang Kereta Cepat Whoosh yang bersifat dinamis dan tidak linier menuntut adanya model peramalan yang akurat guna mendukung efisiensi operasional. Penelitian ini bertujuan untuk memprediksi jumlah penumpang Kereta Api Whoosh menggunakan kombinasi Fuzzy Time Series.  Penelitian ini menggunakan pendekatan kuantitatif berbasis analisis deret waktu (time series) dengan penerapan metode Fuzzy Time Series yang dikombinasikan dengan Markov Chain dan metode Lee. Data yang digunakan adalah jumlah penumpang kereta api whoosh dari periode bulan April 2024–April 2025 yang diperoleh dari BPS. Kedua metode ini memiliki kemampuan yang baik dalam meramalkan data. Selanjutnya, keakuratan kedua metode dibandingkan melalui nilai evaluasi peramalan dengan menghitung MAE, MSE, RMSE, dan MAPE. Hasil Penelitian dari kedua metode tersebut diperoleh bahwa Fuzy Time Series Markov Chain lebih baik di bandingkan dengan Fuzzy Time series Markov Lee dengan nilai MAPE sebesar 9.04%, nilai MAE sebesar 42.553, nilai MSE sebesar 3216.050, dan RMSE sebesar 56.709. Sedangkan fuzzy time series lee mendapatkan nilai MAPE sebesar 9.07%, nilai MAE sebesar 42.529, nilai MSE sebesar 4466.798, dan RMSE sebesar 66.834. Hal ini menunjukkan bahwa fuzzy time series marcov chain lebih baik untuk peramalan jumlah penumpang kereta api whoosh karena menghasilkan nilai error yang lebih kecil.
Co-Authors Nia Nurhasanah Pramesti Melyna Mushtofa Pramesti Melyna Mustofa Pramesti Melyna Mustofa Rina Nurhayati Tami Salsa Sabila