Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) The Indonesian Journal of Computer Science Research
Bahrun Ghozali
Universitas Amikom Yogyakarta
Computer Science & IT

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

Found 2 Documents
Search

 1 
Analisis Komparatif Algoritma Random Forest dan Multiple Linear Regression untuk Prediksi Suhu Udara dengan Rekayasa Fitur Siklik Haryoko Haryoko; Lilis Dwi Farida; Afrig Aminuddin; Bahrun Ghozali
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.255

Abstract

Prediksi temperatur cuaca merupakan tantangan signifikan dalam bidang meteorologi dan pertanian presisi dikarenakan karakteristik data atmosfer yang sangat fluktuatif dan non-linear. Penelitian ini bertujuan untuk melakukan analisis komparatif kinerja algoritma Machine Learning dalam mengestimasi suhu udara harian, dengan membandingkan model Multiple Linear Regression sebagai baseline dan Random Forest Regressor sebagai model utama. Eksperimen melibatkan penerapan teknik rekayasa fitur (feature engineering) yang komprehensif, khususnya transformasi variabel arah angin menjadi komponen vektor kontinu serta ekstraksi fitur waktu menjadi komponen siklik untuk menangkap pola musiman. Berdasarkan hasil evaluasi menggunakan dataset historis cuaca, model Random Forest menunjukkan performa yang lebih superior dibandingkan Multiple Linear Regression, dengan capaian nilai Koefisien Determinasi ( ) sebesar 0.990, Mean Absolute Error (MAE) sebesar 0.74°C, dan Root Mean Squared Error (RMSE) sebesar 0.95. Hasil analisis membuktikan bahwa pendekatan ensemble learning dengan penanganan fitur siklik jauh lebih efektif dalam memetakan kompleksitas interaksi variabel cuaca dibandingkan metode linear konvensional
Nilai Intensitas Aktivitas Fisik Berdasarkan Data Akselerometer Menggunakan Algoritma Gradient Boosting Regression Bahrun Ghozali; Hastari Utama; Barka Satya
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 2 (2026): Juni 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i2.2635

Abstract

Perkembangan teknologi sensor wearable telah meningkatkan kebutuhan akan sistem pemantauan aktivitas fisik yang akurat dan real-time. Penelitian ini bertujuan untuk mengembangkan model regresi guna memprediksi nilai intensitas aktivitas fisik secara kontinu berdasarkan data akselerometer triaksial dengan memanfaatkan algoritma Gradient Boosting Regression (GBR). Metode yang digunakan meliputi akuisisi data, pra-pemrosesan, ekstraksi fitur multidomain (waktu dan frekuensi), serta seleksi fitur. Model dibangun dan dioptimasi menggunakan dataset awal dari dua partisipan dengan 2.524 sampel sebagai studi pendahuluan (pilot study), kemudian dievaluasi dengan metrik RMSE, MAE, dan R² serta validasi silang antar-partisipan. Penulis menyadari bahwa jumlah partisipan yang terbatas dan ketidakseimbangan distribusi data (98% vs 2%) merupakan keterbatasan utama penelitian ini, sehingga hasil yang diperoleh belum dapat digeneralisasikan secara luas.Hasil penelitian menunjukkan bahwa model GBR mampu menangkap hubungan non-linear antara fitur akselerometer dan intensitas aktivitas dengan performa yang lebih baik dibandingkan baseline seperti regresi linier. Model ini berpotensi diintegrasikan ke dalam sistem wearable untuk memberikan umpan balik intensitas aktivitas secara real-time, sehingga mendukung aplikasi kesehatan personal, rehabilitasi, dan pemantauan kebugaran. 
Co-Authors Afrig Aminuddin Barka Satya Haryoko Haryoko LILIS DWI FARIDA Utama, Hastari