Article Per Year (5 Year)
p-Index From 2021 - 2026
1.325
P-Index
This Author published in this journals
All Journal JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI Indonesian Journal of Artificial Intelligence and Data Mining JURNAL EDUCATION AND DEVELOPMENT Jurnal Aplikasi Statistika & Komputasi Statistik EIGEN MATHEMATICS JOURNAL Prosiding Seminar Nasional Official Statistics Jurnal Kebijakan Pembangunan Jurnal Informatika: Jurnal Pengembangan IT The International Journal of Remote Sensing and Earth Sciences (IJReSES)
Rani Nooraeni
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
COMPARATIVE ACCURACIES USING MACHINE LEARNING MODELS FOR MAPPING OF SUGARCANE PLANTATION BASED ON SENTINEL-2A IMAGERY IN KEDIRI AREA, EAST JAVA Ridson Al Farizal Pulungan; Rani Nooraeni
International Journal of Remote Sensing and Earth Sciences Vol. 21 No. 1 (2024)
Publisher : BRIN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30536/j.ijreses.2024.v21.a3840

Abstract

Data collection in smallholder sugarcane plantations is still very sensitive to the subjectivity of informants and data collectors. In the meantime, the problem with data collection on sugarcane plantation companies is a low response rate. This situation can reduce the precision of the estimates that are produced. Consequently, the goal of this research is to recognize sugarcane fields using the machine learning models on Sentinel-2A satellite imagery in Kediri Area that covering Kediri Regency and Kediri Municipality, East Java. Along with developing machine learning algorithms, this research will evaluate how well LightGBM performs when compared to other algorithms, including CART, SVM, Random Forest, and XGBoost. Each model employed hyperparameter tuning with random search and stratified 10-fold cross validation to avoid overfitting. The process of labelling satellite imagery using images from Google Street View, then predictor variables used are NDVI, NDWI, NDBI, EVI, and elevation. The most accurate classification model obtained was LightGBM, with a 98% accuracy and a cohen’s kappa of 97.7%. The estimated area of sugarcane plantations in the Kediri Regency and Kediri Municipality in September 2022 is 18,897.6 ha and 571.87 ha.
Pemodelan Topik Komentar Terhadap Aplikasi Allstat BPS Tahun 2017-2025 Gabriella Elisabeth Simanungkalit; Hervira Nur Shafira; Rani Nooraeni
Jurnal Informatika: Jurnal Pengembangan IT Vol 11, No 1 (2026)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v11i1.9350

Abstract

Penelitian ini dilatarbelakangi oleh meningkatnya kebutuhan akan data statistik yang mudah diakses melalui aplikasi mobile, salah satunya adalah aplikasi AllStat BPS. Tujuan dari penelitian ini adalah untuk menganalisis sentimen dan mengidentifikasi topik utama dalam ulasan pengguna aplikasi AllStat BPS pada periode 2017–2025. Metode yang digunakan mencakup analisis sentimen berbasis lexicon dengan kamus InSet dan klasifikasi menggunakan algoritma Naive Bayes, Random Forest, dan Support Vector Machine (SVM). Pemodelan topik dilakukan dengan pendekatan Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa klasifikasi terbaik dengan akurasi pada data latih sebesar 88,16% dan nilai kappa 0,8046. Selain itu, LDA berhasil mengidentifikasi delapan topik utama dari ulasan pengguna, dengan Topik 1 memiliki nilai koherensi tertinggi (0,1784) yang mengindikasikan kekuatan semantik antar kata dalam topik tersebut. Topik-topik ini kemudian dipetakan ke dalam kerangka kualitas perangkat lunak berdasarkan standar ISO/IEC 25010, dengan aspek Functional Suitability dan Performance Efficiency sebagai topik dominan. Kesimpulan dari penelitian ini adalah bahwa kombinasi metode Random Forest dan LDA efektif dalam mengklasifikasikan sentimen serta menggambarkan fokus isu dalam ulasan pengguna aplikasi AllStat BPS.
Co-Authors Ahmad Firman Maulana Ahmad Safrian Fauzi Bimananda W Camelia Iltazami Ulva Esa Anindika Sari Fath Esa Prasanti Kusuma Faza Budiarti Fitri Anna Resqiah Asri Gabriella Elisabeth Simanungkalit Hanum Iftitah Rahma Hervira Nur Shafira Insan Riski Karina Dwi M Ridwan Firdaus Moh. Fadli Hidayat DJ Makaraseng Muh. Rizki Muhammad Ali Irfan Muhammad Hasby Ashshiddiq Nyoman Putri Pradievy Syanthi Rendy Rendi Reza Septian Pradana Ria Nurul Ridson Al Farizal Pulungan Takdir Theresa Siahaan Tika Novitasari Uzma, Iffati Wahyu Winarto Yansi Indiyani Yosherina Dhea