Article Per Year (5 Year)
p-Index From 2020 - 2025
0.947
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Tecnoscienza International Journal Software Engineering and Computer Science (IJSECS)
Drajana, Ivo Colanus Rally
Unknown Affiliation
Aerospace Engineering Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Mathematics Neuroscience Transportation Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
K-Nearest Neighbor for Gorontalo City Chili Price Prediction Using Feature Selection, Backward Elimination, and Forward Selection Labolo, Abdul Yunus; Utiarahman, Siti Andini; Lasulika, Mohamad Efendi; Drajana, Ivo Colanus Rally; Bode, Andi
International Journal Software Engineering and Computer Science (IJSECS) Vol. 3 No. 3 (2023): DECEMBER 2023
Publisher : Lembaga Komunitas Informasi Teknologi Aceh (KITA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/ijsecs.v3i3.1709

Abstract

This study addresses chili price volatility, an important concern that impacts the national economy and societal welfare. Fluctuations in chili prices in the retail market greatly influence market demand, thereby influencing farming decisions, especially chili cultivation. To help make better decisions, Researchers use forecasting, which is defined as the projection of future trends based on the analysis of historical data, using statistical methods. The K-Nearest Neighbor (K-NN) algorithm is used because of its resistance to high noise on large training datasets. However, challenges arise in determining the optimal value of 'k' and selecting related attributes. To overcome this, Feature Selection is applied to refine the model by removing irrelevant features, resulting in a significant reduction in the model error rate. This improvement indicates an increase in the efficiency of the K-NN algorithm with the incorporation of Feature Selection. Our findings show that the model, with backward elimination in Feature Selection, achieves a Root Mean Square Error (RMSE) of 0.202, outperforming the model using forward selection. The prediction accuracy of this model reaches an average of 78.86%, which is much higher than the baseline data of 50%. This shows the success of the proposed method in predicting chili prices.
Prediksi Harga Jagung Menggunakan Support Vector Machine dengan Fitur Seleksi Forward Selection di Kabupaten Pohuwato Drajana, Ivo Colanus Rally; Betrisandi, Betrisandi
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 7, No 5 (2024): Oktober 2024
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v7i5.8059

Abstract

Abstrak - Kabupaten Pohuwato yang terletak di bagian paling barat Provinsi Gorontalo merupakan salah satu daerah penghasil jagung terbesar. Menurut Kementerian Pertanian, luas lahan perkebunan di Kabupaten Pohuwato seluas 87.104 hektare dimanfaatkan warga untuk menanam jagung. Jagung merupakan salah satu komoditas tanaman pangan utama sebagai sumber karbohidrat sehingga harga jagung menjadi perhatian penting bagi pemerintah, namun harga jagung berfluktuasi. Solusi yang diberikan pada penelitian ini adalah prediksi harga jagung di masa depan dengan menggunakan Algoritma Support Vector Machine dengan Fitur Forward Selection yang dapat memberikan solusi tepat bagi petani perkebunan, pedagang dan pemerintah. Dari hasil percobaan yang telah dilakukan, prediksi harga jagung menggunakan algoritma support vector machine dengan fitur forward seleksi telah berhasil dilakukan. Hasil RMSE sebesar 0.682 terdapat pada algoritma support vector machine yang menggunakan fitur forward seleksi, hasil ini dinyatakan lebih baik dibandingkan tanpa menggunakan fitur seleksi.Kata kunci: Prediction, Corn Price, Support Vector Machine, Forward Selection Abstract - Pohuwato Regency, which is located in the westernmost part of Gorontalo Province, is one of the largest corn producing areas. According to the Department of Agriculture, the area of plantation land in Pohuwato Regency, which is 87,104 hectares, is used by residents to grow corn. Corn is one of the main food crop commodities as a source of carbohydrates so that the price of corn is an important concern for the government, but the price of corn fluctuates. The solution provided in this study predicts future corn prices using the Support Vector Machine Algorithm with the Forward Selection Feature which can provide the right solution for plantation farmers, traders and the government. From the results of the experiments that have been carried out, the prediction of corn prices using the support vector machine algorithm with the forward selection feature has been successfully carried out. The RMSE result of 0.682 is found in the support vector machine algorithm that uses the forward selection feature, this result is stated to be better than without using the selection feature.Kata kunci: Prediction, Corn Price, Support Vector Machine, Forward Selection
Prediksi Jumlah Produksi Coconut Oil Menggunakan k-Nearest Neighbor dan Backward Elimination Drajana, Ivo Colanus Rally
JURNAL TECNOSCIENZA Vol. 3 No. 1 (2018): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/094jr946

Abstract

Hampir keseluruhan tanaman pohon kelapa memiliki banyak bagiannya yang dimanfaatkan oleh manusia, sehingga tumbuhan ini dianggap tumbuhan serbaguna. Minyak kelapa (coconut oil) dihasilkan oleh buah pohon kelapa. Produksi jumlah coconut oil menjadi bagian penting disetiap perusahaan yang bergerak di bidang produksi coconut oil dengan tujuan mencapai target hasil produksi. Produksi minyak setiap hari mengalami perubahan fluktuatif. Untuk memenuhi permintaan sales order dari customer perusahaan, pengembangan system perusahaan sangat diperlukan untuk prediksi jumlah produksi coconut oil. Penelitian ini k-Nearrest Neighbor dengan feature selection digunakan untuk memprediksi jumlah produksi coconut oil berdasarkan data time series Sales Order (SO). Metode yang sering digunakan dalam prediksi adalah metode time series, dimana nilai masa mendatang dilihat berdasarkan rentet waktu pengamatan. Performa metode time series sangatlah unggul dengan melihat nilai-nilai di masa lalu. Algoritma k-Nearest Neighbor merupakan metode non-parametrik yang digunakan untuk klasifikasi dan regresi. k-Nearest Neighbor menghitung jarak datanya pada semua sampel. Jarak Euclidean lebih sering digunakan. Algoritma k-Nearest Neighbor adalah metode penerapan algoritma supervised di mana algoritma ini terbagi menjadi dua bagian yaitu supervised learning dan unsupervised learning. Feature selection yakni Backward Elimination meningkatkan performa yang lebih baik. Backward Elimination diterapkan untuk mengeliminasi atribut atau variabel yang anggap tidak relevan, variabel yang tidak berpengaruh serta tidak signifikan dalam model dihapuskan dari dalam model. Algoritma k-Nearest Neighbor dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.111. Kemudian algoritma k-Nearest Neighbor menggunakan Backward Elimination dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.109. Seleksi fitur yaitu Backward Elimination menghasilkan kinerja lebih baik. Kata kunci: Metode k-Nearest Neigbor; Backward Elimination; Data Mining; Produksi Coconut Oil
Algoritma Backpropagation Menggunakan PSO Prediksi Penerimaan Retribusi Peminjaman Rumah Adat Dulohupa Mooduto, Sarlis; Labolo, Abdul Yunus; Bode, Andi; Drajana, Ivo Colanus Rally
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.711

Abstract

Regional retribution as payment for services or granting certain permits specifically granted and/or issued by local governments for personal or business interests. Gorontalo City Government has several public facilities that are used as a source of regional income in the form of taxes or levies. The Dulohupa traditional house levy carried out by the Gorontalo City Youth and Sports Tourism Office often experiences ups and downs because it is caused by uncertainty about rentals or competition. The purpose of this research is to overcome the existing problems by predicting retribution receipts using the backpropagation method, the use of particle swarm optimization (PSO) to increase the accurate value in predicting. The data collected is daily quantitative univariate time series data. This type of data is the Dulohupa Traditional House Retribution Receipt Data. The dataset taken from the levy receipt variable has 211 records. The best model is generated on the backpropagation algorithm using the particle swarm optimization (PSO) selection feature, which can be seen from the smallest error rate of 0.122. Thus the addition of a selection feature can improve the performance of an algorithm. The results of the predictions for the next four months from January to April which have been denormalized with an average number of predictions of Rp. 1,806,789 with an error value of 0.112.
Aplikasi Diagnosa Penyakit Tanaman Cabai Merah menggunakan Algoritma K-Nearest Neighbor Taliki, Sunarto; Serwin, Serwin; Nur, Jabal; Drajana, Ivo Colanus Rally
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.712

Abstract

Tanaman cabai merah merupakan komoditas holtikultura yang begitu sangat penting bagi kebutuhan dan keperluan manusia, seperti, ramuan obat-obatan tradisional, sebagai bumbu untuk makanan, dimakan bersama makanan ringan dan lain-lain. Dilihat dari tingkat serangan dan kondisi pertanian cabai merah di lapangan saat ini masi terkendala dengan belum adanya rekomendasi metode pengendalian yang efektif sehingga petani cenderung menggunakan pastisida kimia yang berdampak negatif terhadap lingkugan. Untuk mendiagnosa berbagai jenis penyakit yang menyerang tanaman cabai merah diperlukan seorang pakar/ahli. Pada peniltian ini akan membangun sebuah aplikasi yang dapat mendiagnosa dan memberikan solusi kepada petani mengenai masalah penyakit tanaman cabai merah. Aplikasi sistem pakar diagnosa penyakit tanaman cabai dapat diimplementasikan dengan melihat hasil pengujian berdasarkan konsultasi diagnosis serta solusi yang diberikan. Hal ini dapat dilihat pada jenis penyakit Busuk Akar dengan gejala kasus G01, G02 nilai Bobot 3.1, Gejala Dipilih (Benar) dan Nilai Kedekatan K-NN (3/4) = 0.75.
Penerapan Algoritma Spport Vector Machine dan K-Nearest Neighbor Menggunkan Feature Selection Backward Elimination Untuk Prediksi Status Penderita Stunting Pada Balita Labolo, Abdul Yunus; Mooduto, Sarlis; Bode, Andi; Drajana, Ivo Colanus Rally
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.713

Abstract

Stunting adalah malnutrisi yang ditandai dengan tinggi badan, diukur dengan standar deviasi dari WHO. Dinas Kesehatan Provinsi Gorontalo khususnya dibidang Gizi mengenai stunting, selama ini melakukan kegiatan pemantauan tiap-tiap puskesmas dan posyandu. Pemantauan dan pendataan terkait stunting di berbagai puskesmas di wilayah Gorontalo merupakan faktor penting dalam menentukan faktor tumbuh kembang baik dalam kandungan maupun bayi yang dilahirkan. Masalah yang sering muncul adalah data yang dikumpulkan untuk underestimasi selalu tidak akurat setiap bulannya, karena hanya perkiraan yang dihitung berdasarkan kasus Puskesmas. Prediksi yang akurat diperlukan untuk mengatasi permasalahan yang ada. Data mining didefinisikan sebagai ekstraksi informasi berharga atau berguna dari industri pertambangan atau database yang sangat besar. Penelitian ini menggunakan algoritma K-Nearest Neighbor (K-NN) dan Support Vector Machine (SVM) menggunakan feature selection backward elimination. Berdasarkan hasil eksperimen, diprediksi jumlah penderita stunting menggunakan algoritma Support Vector Machine (SVM), dan k-Nearest Neighbor (K-NN) menggunakan Backward Elimination (BE). Tingkat error terkecil hasil RMSE 2,476 pada algoritma k-nearest neighbor. Adapun perbandingan antara hasil prediksi jumlah penderita stunting dibulan januari yaitu 23 orang dengan data aktual jumlah penderita stunting yakni 26 orang. Hasil prediksi menghasilkan nilai keakuratan 88,46%.
Co-Authors Andi Bode Betrisandi, Betrisandi Jabal Nur, Jabal Labolo, Abdul Yunus Mohamad Efendi Lasulika Mooduto, Sarlis SERWIN, SERWIN Sunarto Taliki Utiarahman, Siti Andini