Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Media Informatika

Implementasi Aplikasi Surface Roughness Tester atau Alat Ukur Kekasaran Permukaan Jalan Menggunakan C# dan Arduino Raharja, Agung Rachmat; Setiyono, Riyanto; Hariyanti, Ifani
Media Informatika Vol 23 No 1 (2024)
Publisher : P3M STMIK LIKMI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37595/mediainfo.v23i1.206

Abstract

Jalan merupakan salah satu akses untuk saling menghubungkan satu daerah dengan daerah lain, kerusakan pada jalan di sebabkan oleh beban muatan pada jalan terlalu berlebihan, hal ini mengakibatkan kurang baiknya jalan untuk menghubungkan satu daerah dengan daerah lainnya. Alat uji kekasaran jalan pada umumnya memang menggunakan perangkat keras yang biasanya di gunakan, namun untuk pencatatan hasilnya masih menggunakan manual dan tidak bisa di simpan dalam jangka waktu lama. Dengan adanya aplikasi ini kekasaran jalan pada suatu daerah dapat di lakukan kapan saja dan di mana saja, selain itu aplikasi ini menggunakan komputer yang terhubung dengan perangkat keras dan ini memudahkan untuk penyimpanan data dan mengeluarkan data pada sebelumnya. Dengan menggunakan GPS dapat memudahkan untuk mengetahui di daerah mana saja yang terdapat jalan yang rusak.
Perbandingan Kinerja Metode Machine Learning Support Vector Machine (SVM), Random Forest, dan K-Nearest Neighbors (KNN) dalam Prediksi Harga Saham Apple Rismayadi, Ali Akbar; Febrianto, Rudhi Wahyudi; Raharja, Agung Rachmat; Hariyanti, Ifani
Media Informatika Vol 23 No 3 (2024)
Publisher : P3M STMIK LIKMI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37595/mediainfo.v23i3.299

Abstract

Penelitian ini mengevaluasi kinerja tiga model machine learning SVM, Random Forest, dan KNN untuk memprediksi harga saham Apple. Menggunakan data historis saham, modelmodel tersebut dinilai berdasarkan metrik utama: Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R-Squared (R²). Hasil penelitian menunjukkan bahwa SVM adalah model dengan kinerja terbaik, dengan MSE sebesar 0.2637, MAE sebesar 0.2710, dan R² sebesar 0.9999, yang mencerminkan akurasi prediksi yang sangat baik dan keandalan yang tinggi. Model Random Forest menunjukkan kinerja yang cukup kompetitif dengan MSE sebesar 0.4781, MAE sebesar 0.3852, dan R² sebesar 0.9998. Sebaliknya, model KNN memiliki tingkat kesalahan tertinggi, dengan MSE sebesar 0.7938 dan R² sebesar 0.9997, sehingga kurang cocok untuk dataset ini. Temuan ini menegaskan bahwa SVM adalah model yang paling andal untuk memprediksi harga saham Apple secara akurat. Penelitian ini memberikan wawasan penting dalam pemilihan model pembelajaran mesin untuk prediksi deret waktu finansial, yang dapat mendukung pengambilan keputusan yang lebih baik dalam analisis pasar saham.