Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Scientific Student Journal for Information, Technology and Science
Iman Sanjaya
Universitas Buana Perjuangan Karawang
Computer Science & IT

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

Found 2 Documents
Search

 1 
Analisis Kinerja Algoritma Naïve Bayes dan Random Forest dalam Memprediksi Hasil Klasemen English Premier League Muhamad Ibnu Rizky; Sutan Faisal; Iman Sanjaya; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

English Premier League dikenal sebagai liga sepak bola yang paling kompetitif dan menarik untuk dianalisis secara statistik. Penelitian ini dilakukan untuk membandingkan kinerja dua algoritma machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi posisi akhir klasemen berdasarkan data statistik pertandingan. Data dikumpulkan melalui teknik web scraping dari situs FBref.com, yang mencakup data tiga musim kompetisi serta sejumlah fitur relevan lainnya. Setelah melalui tahap prapemrosesan (preprocessing), data dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. Evaluasi terhadap model dilakukan menggunakan berbagai metrik, seperti akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes memperoleh akurasi sebesar 69,83% dan menunjukkan kinerja yang cukup baik dalam memprediksi hasil seri. Di sisi lain, algoritma Random Forest menunjukkan performa yang lebih unggul dengan akurasi mencapai 99,57%, serta nilai presisi, recall, dan F1-score yang tinggi dan konsisten. Prediksi klasemen akhir yang dihasilkan oleh Random Forest juga lebih mendekati hasil sebenarnya. Berdasarkan temuan tersebut, dapat disimpulkan bahwa Random Forest lebih mampu menangani kompleksitas data pertandingan sepak bola dan lebih direkomendasikan untuk digunakan dalam sistem prediksi di bidang analitik olahraga.
Analisis Kinerja Algoritma Long Short-Term Memory dan Random Forest untuk Prediksi Penjualan Buah Mochamad Rayhan Bachtiar; Deden Wahiddin; Iman Sanjaya; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Fluktuasi volume penjualan buah akibat kondisi ekonomi dan perilaku konsumen menjadi tantangan dalam perencanaan stok. Penelitian ini membandingkan kinerja algoritma Long Short-Term Memory (LSTM) dan Random Forest dalam memprediksi penjualan buah mingguan. Data penjualan harian delapan jenis buah pada periode Januari 2024 hingga Maret 2025 diolah menjadi data mingguan melalui tahapan eksplorasi data, data preprocessing, transformasi deret waktu (time series), one-hot encoding, pembuatan fitur lag dan moving average, serta pembagian data menggunakan metode time series split. Model dilatih menggunakan 80% data, dengan Random Forest memanfaatkan fitur numerik hasil transformasi, sedangkan LSTM memanfaatkan urutan tiga langkah waktu. Evaluasi menggunakan metrik R² dan Root Mean Squared Error (RMSE) menunjukkan bahwa Random Forest memiliki kinerja yang lebih baik (R² = 0,9191; RMSE = 2,18) dibandingkan LSTM (R² = 0,8793; RMSE = 2,66), sehingga lebih efektif dalam memodelkan pola penjualan buah mingguan.
Co-Authors Deden Wahiddin Mochamad Rayhan Bachtiar Muhamad Ibnu Rizky Sutan Faisal