Article Per Year (5 Year)
p-Index From 2021 - 2026
5.807
P-Index
This Author published in this journals
All Journal JURNAL MEDIA INFORMATIKA BUDIDARMA JurTI (JURNAL TEKNOLOGI INFORMASI) Zero : Jurnal Sains, Matematika, dan Terapan Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal JOURNAL OF SCIENCE AND SOCIAL RESEARCH JURNAL PIONIR Community Development Journal: Jurnal Pengabdian Masyarakat Journal of Computer Networks, Architecture and High Performance Computing Yayasan Cita Cendikiawan Al Khwarizmi TIERS Information Technology Journal Journal Pengabdian Kepada Masyarakat Balakka Paluta Jurnal Pemberdayaan Sosial dan Teknologi Masyarakat Jurnal Teknologi Pendidikan Depik Jurnal Ilmu-Ilmu Perairan, Pesisir dan Perikanan Kreativitas Pada Pengabdian Masyarakat (Krepa) Deli Sains Informatika Jurnal Teknologi Pendidikan Jurnal Pengabdian Masyarakat dan Riset Pendidikan Jurnal Intelek Dan Cendikiawan Nusantara Depik Jurnal Ilmu-Ilmu Perairan, Pesisir, dan Perikanan Jurnal Intelek Insan Cendikia JATAED: Journal of Appropriate Technology for Agriculture, Environment, and Development Jurnal Sinergi Digital dan Pemberdayaan Masyarakat
Harmayani
Teknik Informatika, Universitas Asahan
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 43 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 43 Documents
Search

 1   2   3   4   5 
KOMPARASI ALGORITMA K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI KELAYAKAN EKSPOR KOPI ARABIKA DENGAN CORRELATION-BASED FEATURE SELECTION Diva Agustin Purba; Nazma Aulia; Pujawati; Dicky Apdillah; Bambang Irwansyah; Harmayani
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 3 (2026): June 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i3.6589

Abstract

Abstract: Arabica coffee is a high-value export commodity for the Indonesian economy. To maintain global competitiveness, coffee beans must meet export feasibility quality standards based on the cupping score from the Coffee Quality Institute (CQI). This study aims to compare the performance of the K-Nearest Neighbor (KNN) and Gaussian Naive Bayes algorithms in classifying the export feasibility of Arabica coffee beans. In sensory quality testing, high-dimensional attributes (10 parameters) can cause accuracy instability and increase computational load. Therefore, Correlation-based Feature Selection (CFS) was applied to reduce redundant features. The CFS process filtered the initial 10 features into 4 selected features (Flavor, Acidity, Cupper Points, and Aroma). The Dataset was obtained from the Kaggle Coffee Quality Database and had undergone Excel format adjustments before being loaded into the system. Modeling was conducted using 1,303 data records with a 30% split for testing data. The evaluation results showed that the Naive Bayes algorithm provided the best performance, achieving an accuracy rate of 97.95%. The use of CFS proved successful in reducing feature dimensions by 60% without significantly decreasing classification accuracy. Keywords: Arabica Coffee; Export Classification; K-Nearest Neighbor; Naive Bayes; Correlation-based Feature Selection.   Abstrak: Kopi Arabika merupakan komoditas ekspor bernilai tinggi bagi perekonomian Indonesia. Untuk menjaga daya saing di tingkat global, biji kopi harus memenuhi standar kualitas kelayakan ekspor berdasarkan cupping score dari Coffee Quality Institute (CQI). Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Gaussian Naive Bayes dalam klasifikasi kelayakan ekspor biji kopi Arabika. Dalam pengujian sensoris mutu, dimensionalitas atribut yang tinggi (10 parameter) dapat menyebabkan ketidakstabilan akurasi dan meningkatkan beban komputasi. Oleh karena itu, Correlation-based Feature Selection (CFS) diterapkan untuk mereduksi fitur redundan. Proses CFS menyaring 10 fitur awal menjadi 4 fitur terpilih (Flavor, Acidity, Cupper Points, Aroma). Dataset diambil dari Kaggle Coffee Quality Database dan telah melalui tahapan penyesuaian format Excel sebelum dimuat ke sistem. Pemodelan dilakukan menggunakan 1303 rekam data dengan pembagian data uji sebesar 30%. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes memberikan performa terbaik dengan tingkat akurasi mencapai 97,95%. Penggunaan CFS terbukti berhasil memangkas dimensi fitur sebesar 60% tanpa menurunkan akurasi klasifikasi secara signifikan. Kata Kunci: Kopi Arabika; Klasifikasi Ekspor; K-Nearest Neighbor; Naive Bayes; Correlation-based Feature Selection.
ANALISIS RISIKO PENGANGGURAN LULUSAN PERGURUAN TINGGI MENGGUNAKAN METODE MONTE CARLO Widya Ari Rizki; Harmayani
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 4 (2026): August 2026 (1)
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i4.7063

Abstract

Penelitian ini bertujuan untuk menganalisis risiko pengangguran lulusan perguruan tinggi menggunakan metode Monte Carlo serta membangun sistem analisis berbasis website. Data yang digunakan sebanyak 200 data lulusan perguruan tinggi dengan variabel IPK, tahun lulus, dan durasi lama mencari kerja. Metode Monte Carlo diterapkan melalui tahapan pengumpulan data, perhitungan distribusi probabilitas, probabilitas kumulatif, penentuan interval bilangan acak, pembangkitan bilangan acak, simulasi, dan analisis hasil. Hasil penelitian menunjukkan bahwa proses simulasi dapat menghasilkan prediksi durasi lama mencari kerja berdasarkan pola data historis. Setiap bilangan acak dipetakan ke dalam interval yang telah ditentukan sehingga menghasilkan prediksi lama mencari kerja dalam rentang 1 sampai 12 bulan. Hasil tersebut kemudian dikelompokkan ke dalam kategori cepat, sedang, dan lama. Sistem yang dibangun dapat membantu proses pengolahan data, perhitungan probabilitas, pembangkitan bilangan acak, simulasi Monte Carlo, dan penyajian hasil analisis secara terstruktur. Berdasarkan hasil penelitian, metode Monte Carlo dapat diterapkan untuk menganalisis risiko pengangguran lulusan perguruan tinggi berdasarkan data historis durasi lama mencari kerja.
IMPLEMENTASI SINGLE LAYER PERCEPTRON DALAM KLASIFIKASI KETERSEDIAAN TENAGA KESEHATAN DI PROVINSI SUMATERA UTARA Weny Nur Afdilla Simangunsong; Harmayani Harmayani
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 4 (2026): August 2026 (1)
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i4.7113

Abstract

Abstract: The equitable availability of health workers is an essential factor in improving the quality of healthcare services. The unequal distribution of nurses across regencies and cities in North Sumatra Province has created the need for an approach capable of identifying the level of health workforce availability quickly and objectively. This study aims to implement the Single Layer Perceptron model to classify the level of health workforce availability based on the number of nurses, population, and public health centers. The study utilized secondary data obtained from the North Sumatra Provincial Health Office for the period of 2019–2024. Prior to the training process, the data were normalized using the Min-Max Normalization method and divided into 80% training data and 20% testing data. The training process employed a learning rate of 0.1, a maximum of 3,000 epochs, and an error tolerance of 0.01. The proposed model classified the data into two categories, namely low and high, and was implemented in a web-based application that supports data training, prediction, and classification result evaluation. The results demonstrate that the Single Layer Perceptron model is capable of recognizing patterns in health workforce availability and performing classification effectively, thereby supporting decision-making processes related to the equitable distribution of health workers in North Sumatra Province. Furthermore, the developed system facilitates data management and provides computerized classification results efficiently. Keywords: Single Layer Perceptron, Classification, Artificial Neural Network, Health Workforce, North Sumatra Province.   Abstrak: Ketersediaan tenaga kesehatan yang merata merupakan faktor penting dalam meningkatkan kualitas pelayanan kesehatan. Ketimpangan distribusi tenaga perawat antar kabupaten/kota di Provinsi Sumatera Utara menyebabkan perlunya suatu pendekatan yang mampu mengidentifikasi tingkat ketersediaan tenaga kesehatan secara cepat dan objektif. Penelitian ini bertujuan mengimplementasikan model Single Layer Perceptron untuk mengklasifikasikan tingkat ketersediaan tenaga kesehatan berdasarkan data jumlah perawat, jumlah penduduk, dan jumlah puskesmas. Data yang digunakan merupakan data sekunder dari Dinas Kesehatan Provinsi Sumatera Utara periode 2019–2024. Sebelum proses pelatihan, data dinormalisasi menggunakan metode Min-Max Normalization, kemudian dibagi menjadi 80% data latih dan 20% data uji. Proses pelatihan menggunakan learning rate sebesar 0,1, maksimum epoch sebanyak 3000, serta error tolerance sebesar 0,01. Model menghasilkan klasifikasi ke dalam dua kategori, yaitu rendah dan tinggi, serta diimplementasikan dalam aplikasi berbasis web yang mendukung proses pelatihan, prediksi, dan evaluasi hasil klasifikasi. Hasil penelitian menunjukkan bahwa Single Layer Perceptron mampu mengenali pola ketersediaan tenaga kesehatan dan memberikan hasil klasifikasi secara efektif sehingga dapat mendukung proses pengambilan keputusan dalam pemerataan tenaga kesehatan di Provinsi Sumatera Utara. Implementasi sistem yang dikembangkan juga mempermudah pengelolaan data dan penyajian informasi klasifikasi secara terkomputerisasi. Kata Kunci: Single Layer Perceptron, klasifikasi, jaringan saraf tiruan, tenaga kesehatan, Provinsi Sumatera Utara.
Co-Authors Adlidar Putri Ali Ikhwan Apdillah, Dicky Apri Affandi Aris Siregar ARIS SIREGAR Arm, Ashyoka Inca Armaniar, Armaniar Asyahri Hadi Nasyuha Azhari, Dea Tiara Bambang Irwansyah Budi Armadi Christina Lestari Ginting Chung, Meng-Yun Dea, Emi Dian Ayu Andriani Dian Puspitasari Dicky Apdilah Dicky Apdillah Diva Agustin Purba Douglas pardede Efendi Hutagalung, Jhonson Eko Maruli Tua Situmorang Eldo Yusri Emiel Salim Siregar Fachrina Wibowo, Fachrina Fajri, Surya Fifto Nugroho Fynnisa Zebua Gunawan, Heru H Aly, Moustafa Hafiz, Utami Wardah Hasibuan , Syafrizal Hasibuan, Syafrizal Hendi Setiawan Hsb Heri Prasuhandra Manurung Icha Wayu Mayanda Ikhwan, Ali Ilham, Dirja Nur Imelda Regina Siswi Ingka Sari Irwansyah, Bambang isnaini, fitri Lindi Amara Nasution Linta Alfafaruq Liza Khairani M Reno Ramadhana Siregar Marwanta, Y. Yohakim Mayzura Mayzura Mesran, Mesran Moraidah Hasanah Muhammad Amin Muhammad Khoiruddin Harahap Muhammed Saat Talib Nabila, Nabila Nazma Aulia Ningsih, Sri Susanti Pane, Hildayanti Br Torus Pujawati Purwanto Simamora Putri Rahmawani R. Rusli Rabli Hari Mulia Rahmadsyah Rahmadsyah Ramadhan, Muhammad Sabir Reno Rahmadiansyah srg Reza Arvania Harahap Ricard Ricardo Rifdah Hanan Rinaldi, Ilham Rizka Handayani Rizky Riansyah Panjaitan Rumondang Rumondang Rusli Rusli Sartika Sartika Seprina Aulia Putri Sinambela, Nur Isnaini Sitorus, Betharia Novalina Sitorus, Lamhot Suci Ramadani Syamsul Arifin Tengku Jukdin Saktisahdan Weny Nur Afdilla Simangunsong Widya Ari Rizki WINDHA MEGA PRADNYA DHUHITA Zahar , Intan Zahar, Intan Zaid Afif