Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JTT (Jurnal Teknologi Terpadu) Sains Data Jurnal Studi Matematika dan Teknologi
Mula'ab, Mula'ab
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics

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

Found 2 Documents
Search

 1 
OPTIMASI PERAMALAN TINGKAT LAJU INFLASI INDONESIA MELALUI PENDEKATAN ENSEMBLE BAGGING PADA ALGORITMA SUPPORT VECTOR REGRESSION Wicaksono, Fiqry Wahyu Diky; Mula'ab, Mula'ab; Rahmat, Abdullah Basuki
Jurnal Teknologi Terpadu Vol 12, No 2 (2024): JTT (Jurnal Teknologi Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v12i2.2250

Abstract

 Tingkat inflasi sering digunakan sebagai indikator pertumbuhan ekonomi suatu negara. Di Indonesia, tantangan sosial di sektor ekonomi membutuhkan pengendalian yang lebih baik. Tingkat inflasi di Indonesia mengalami fluktuasi yang tidak stabil setiap bulannya. Inflasi yang tinggi dapat menimbulkan berbagai masalah, antara lain meningkatnya angka kemiskinan, tingkat pengangguran yang semakin tinggi, terhambatnya pertumbuhan ekonomi, dan menurunnya nilai rupiah. Oleh karena itu, peramalan tingkat inflasi di masa depan sangat penting untuk merumuskan kebijakan dan menjaga stabilitas ekonomi. Support Vector Regression (SVR) merupakan model dasar yang digunakan, dikombinasikan dengan pendekatan Ensemble Bagging untuk mendapatkan prediksi yang akurat. Optimasi grid search dengan variasi nilai Kernel (RBF, Sigmoid, Polynomial, Linier), C (0.1, 1, 100, 200), Gamma (0.1, 0.5, 1), Epsilon (0.01, 0.1, 1), Derajat (1, 2, 3), dan n_estimator (5, 25, 100) dilakukan untuk mencari parameter terbaik. Pengujian juga dilakukan dengan rasio pemisahan data yang berbeda, yaitu 80:20, 70:30, dan 60:40. Hasilnya menunjukkan rasio splitting terbaik adalah 70:30, dan parameter terbaik adalah Kernel = Linear, C = 200, Gamma = 0.1, Epsilon = 0.01, dan n_estimator = 100. Dengan nilai MAPE sebesar 9,297% dan RMSE sebesar 0,258, hasil tersebut mengindikasikan model cukup baik untuk memprediksi inflasi Indonesia. 
Penerapan Metode Ensemble Bagging-SVR untuk Multivariate Time Series pada Peramalan Curah Hujan (Studi Kasus: Stasiun Meteorologi Perak I) Santoso, Mochammad Rizki Aji; Mula'ab, Mula'ab; Yunitarini, Rika
Sains Data Jurnal Studi Matematika dan Teknologi Vol 4, No 1: January - June 2026
Publisher : Sekolah Tinggi Agama Islam Nurul Islam Mojokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52620/sainsdata.v4i1.294

Abstract

Perubahan iklim menjadi salah satu isu paling kritis saat ini, dengan pengaruh yang dirasakan di berbagai negara, termasuk Indonesia. Fenomena ini memengaruhi berbagai aspek kehidupan, salah satunya adalah perubahan pola cuaca. Musim hujan sering ditandai dengan peningkatan intensitas curah hujan secara signifikan dalam jangka waktu tertentu. Cuaca yang tidak menentu dapat menyebabkan perubahan curah hujan yang drastis, berdampak pada sektor pertanian, transportasi, dan industri. Oleh karena itu, prediksi curah hujan menjadi penting untuk memahami pola hujan di masa depan. Penelitian ini menggunakan data iklim harian dari BMKG Stasiun Meteorologi Perak I Surabaya selama Januari 2018 hingga Desember 2024 dengan 2.557 data yang mencakup 4 parameter: curah hujan, temperatur, kelembapan, dan kecepatan angin. Tahapan penelitian meliputi pra pemrosesan data, seperti penanganan data hilang, identifikasi outlier, normalisasi, dan sliding window untuk membentuk data supervised. Metode Ensemble berbasis Support Vector Regression (SVR) digunakan untuk membangun model prediksi. Hasil evaluasi menunjukkan bahwa skenario 9, dengan kernel polynomial, C = 1, epsilon = 0,01, degree = 2, dan 20 estimator, memberikan nilai MAE terbaik sebesar 0,02329. Hal ini menunjukkan bahwa pemilihan kernel dan hyperparameter yang tepat sangat berpengaruh terhadap akurasi model.
Co-Authors Rahmat, Abdullah Basuki Rika Yunitarini Santoso, Mochammad Rizki Aji Wicaksono, Fiqry Wahyu Diky