Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Proximal: Jurnal Penelitian Matematika dan Pendidikan Matematika
Pramesti Melyna Mustofa
Universitas Cipasung Tasikmalaya
Mathematics

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

Found 2 Documents
Search

 1 
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.
Perbandingan Metode Fuzzy Time Series Lee dan Markov Chain dalam Peramalan Harga Cabai Rawit (Studi Kasus Kota Tasikmalaya) Nurhamidah; Pramesti Melyna Mustofa; Fithri Sri Mulyani, M.Pd
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.v9i1.7992

Abstract

Fluktuasi harga cabai rawit yang tinggi dan tidak stabil sering menimbulkan ketidakpastian bagi konsumen, pedagang, serta pemerintah daerah dalam pengendalian inflasi dan perencanaan distribusi pangan, sehingga diperlukan metode peramalan yang akurat dan andal. Penelitian ini bertujuan untuk membandingkan tingkat akurasi dan efektivitas dua metode peramalan, yaitu Fuzzy Time Series (FTS) Lee dan Fuzzy Time Series Markov Chain, dalam memprediksi harga cabai rawit di Kota Tasikmalaya. Jenis penelitian ini adalah penelitian kuantitatif deskriftif dengan objek penelitian berupa data harga cabai rawit mingguan di Kota Tasikmalaya periode April 2024 hingga April 2025 yang bersumber dari Pusat Informasi Harga Pangan Strategis (PIHPS) Nasional. Analisis data dilakukan melalui tahapan fuzzyfikasi, pembentukan Fuzzy Logical Relationship Group (FLRG), perhitungan matriks probabilitas transisi Markov, defuzzyfikasi, serta evaluasi akurasi model menggunakan Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa model FTS Lee memiliki performa yang lebih baik dengan nilai kesalahan yang lebih rendah, yaitu MAPE sebesar 5,36%, MAE sebesar 3.014, dan RMSE sebesar 3.823, dibandingkan dengan model FTS Markov Chain yang menghasilkan MAPE sebesar 7,91%, MAE sebesar 4.286, dan RMSE sebesar 5.332. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode FTS Lee lebih efektif dan lebih akurat dalam meramalkan pergerakan harga cabai rawit di Kota Tasikmalaya.Penelitian ini membandingkan akurasi dan efektivitas dua metode peramalan, yaitu Fuzzy Time Series (FTS) Lee dan Fuzzy Time Series Markov Chain, untuk memprediksi harga cabai rawit di Kota Tasikmalaya.
Co-Authors Fithri Sri Mulyani Fithri Sri Mulyani, M.Pd Nurhamidah Tami Salsa Sabila