Claim Missing Document
Check
Articles

Found 16 Documents
Search

KLASIFIKASI DATA MINING UNTUK MENGESTIMASI POTENSI CURAH HUJAN MENGGUNAKAN ALGORITMA NAIVE BAYES Nuris, Nuzuliarini; Salsabila, Nina Nur; Rifandi, Julian; Diantika, Sri
JURNAL AKADEMIKA Vol 17 No 1 (2024): Jurnal Akademika
Publisher : LP2M Universitas Nurdin Hamzah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53564/akademika.v17i1.1320

Abstract

One of the things that is very important in Indonesia is climate. Climate itself greatly influences human survival. The relationship between rainfall and climate is very close and complex, where climate change can affect rainfall patterns in an area. High or low rainfall can have negative impacts on the environment and agriculture. Therefore, a deep understanding of rainfall patterns is very important in development planning and natural resource management. With the classification of potential rainfall, it is hoped that it can provide accurate predictions and assist in planning and managing related risks. The classification used in this research is Naive Bayes with monthly rainfall data in East Jakarta City from 2019 - 2022. Based on the calculation results, an accuracy rate of 80% was obtained, either using manual calculations or using the RapidMiner application.
IMPLEMENTATION OF MULTI-CLASS GRADIENT BOOSTING TO CLASSIFY ANIMAL SPECIES IN ZOOS: IMPLEMENTASI MULTI-CLASS GRADIENT BOOSTING UNTUK MENGKLASIFIKASIKAN JENIS HEWAN PADA KEBUN BINATANG Sri Diantika; Hiya Nalatissifa; Riki Supriyadi; Nurlaelatul Maulidah; Ahmad Fauzi
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 17 No 1 (2023): Mei 2023
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/antivirus.v17i1.2812

Abstract

Animals are one of the living things that have various types. Grouping types of animals based on similarities and differences in characteristics owned is one of the important activities carried out To make it easier to compare, recognize, study certain types of animals and be able to find out kinship relationships between animals, So if a new type of animal is found that does not yet have a name, it will be easier for us to give a name to the animal based on the type and based on the group. In research on the classification of animal species in zoos that have multi-class, the best classification is obtained by applying gradient boosting parameters with n_estimators of 50, max_depth 3, sub-sample of 1.0, learning rate of 0.1, and using criterion friedman Mse. And by implementing Split validation or division between training data by 80% for training data and 20% for testing data. The results stated that the proposed model was better than some other models that had also been tested with an accuracy value of 93.75%, recal of 94%, precision of 96% and MSE to measure the average magnitude of error in a series of classifications of 12.5%, the smaller the MSE value, the better it would be in classifying.
PREDIKSI KUALITAS AIR MENGGUNAKAN METODE RANDOM FOREST, DECISION TREE, DAN GRADIENT BOOSTING Maulidah, Nurlaelatul; Maulidah, Mawadatul; Supriyadi, Riki; Nalatissifa, Hiya; Diantika, Sri; Fauzi, Ahmad
Jurnal Khatulistiwa Informatika Vol 12, No 1 (2024): Periode Juni 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jki.v12i1.16004

Abstract

Air merupakan sumber daya alam yang sangat penting dan menjadi suatu kebutuhan pokok bagi kelangsungan mahluk hidup baik manusia, hewan dan tumbuhan, namun tidak semua air aman untuk dikonsumsi, sehingga diperlukan adanya identifikasi kualitas air yang aman untuk di konsumsi. Memperkirakan kualitas air telah menjadi salah satu tantangan signifikan yang dihadapi dunia dalam beberapa dekade terakhir. Penelitian ini menyajikan model prediksi kualitas air menggunakan tiga algoritma machine learning Decision Tree, Gradient Boosting dan Random Forest, dimana model machine learning tersebut kemudian dievaluasi secara eksperimental dengan menggunakan data water_potability dari kaggle. Ketiga algoritma ini akan dilakukan perbandingan pada proses klasifikasi data untuk mengetahui metode mana yang paling akurat, dilihat dari tingkat akurasi yang paling tinggi. Hasilnya menunjukan pada penelitian ini Random Forest menjadi model yang memiliki akurasi dengan nilai akurasi yang tinggi dan akurat sebesar 88.33%, dan untuk Decision Tree dengan nilai akurasi 80,83% dan Gradient Boosting memiliki akurasi terendah yaitu 73,33%. Sehingga pada penelitian yang dilakukan Random Forest menjadi algoritma paling akurat dan baik untuk digunakan pada dataset water_potability.
Prediksi Harga Properti Di Indonesia Menggunakan Algoritma Random Forest Fauzi, Ahmad; Maulidah, Nurlaelatul; Supriyadi, Riki; Nalatissifa, Hiya; Diantika, Sri
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 1 (2025): Februari - April
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i1.367

Abstract

Harga properti merupakan aspek yang dipengaruhi oleh berbagai faktor, seperti lokasi, luas tanah, jumlah kamar, aksesibilitas, serta kondisi ekonomi di suatu wilayah. Prediksi harga properti yang akurat sangat penting bagi pengembang, investor, dan calon pembeli dalam mengambil keputusan yang tepat. Penelitian ini menerapkan algoritma Random Forest untuk memprediksi harga properti berdasarkan dataset sintetis yang mencakup 10.000 sampel properti dari berbagai kota di Indonesia. Data dianalisis dengan mempertimbangkan faktor utama yang memengaruhi harga, seperti luas tanah, luas bangunan, jumlah kamar tidur, jarak ke pusat kota, serta fasilitas terdekat. Model dievaluasi menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), dengan hasil MAE sebesar Rp2,48 miliar dan RMSE sebesar Rp2,89 miliar, yang menunjukkan tingkat akurasi yang cukup baik. Analisis lebih lanjut mengungkap bahwa faktor jarak ke pusat kota merupakan variabel paling berpengaruh terhadap harga properti, diikuti oleh luas tanah dan luas bangunan. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest dapat digunakan sebagai alat bantu dalam menentukan harga properti dengan akurasi yang lebih baik dibandingkan metode tradisional. Studi ini juga mengusulkan pengembangan lebih lanjut dengan mempertimbangkan faktor tambahan, seperti indeks pembangunan wilayah dan tren harga historis, untuk meningkatkan ketepatan prediksi.
Penerapan Teknik Random Oversampling Untuk Memprediksi Ketepatan Waktu Lulus Menggunakan Algoritma Random Forest Diantika, Sri; Nalatissifa, Hiya; Maulidah, Nurlaelatul; Supriyadi, Riki; Fauzi, Ahmad
Computer Science (CO-SCIENCE) Vol. 4 No. 1 (2024): Januari 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/coscience.v4i1.1996

Abstract

Punctuality of graduation is something that students yearn for, besides being important for students, punctuality of graduation is also very important for universities, this is because the aspect of student graduation is one aspect of assessment in an institutional accreditation process of a university to show its quality. One of the obstacles faced to find out whether a student can graduate on time or not is because the study period cannot be detected early, this will have an impact on late student graduation. To analyze this, a lot of research was conducted on the accuracy of student graduation, through the cumulative grade point average (GPA) obtained by students during their studies. This research on the prediction of student graduation timeliness uses a random forest algorithm model. The data used in this research object has an unbalanced number of data classes, to overcome this, a random oversampling (ROS) resampling technique is applied and also applies Split validation or division between learning data by 50% for test data and 50%. To evaluate the model built, the author uses evaluation metrics such as accuracy, recall, and precision. The results of the study showed that the proposed model can well predict compared to other models, namely with the results precision of 87.05%, accuracy test values of 90.04%, recall of 90.04%.From these results, it can be interpreted that the random forest algorithm is considered good in predicting the timeliness of a student's graduation
Penerapan Extreme Programming dan Flutter Dalam Mobile Application Jago Masak Sebagai Sistem Pencarian Resep Masakan Nurlaelatul Maulidah; Sri Diantika; Hiya Nalatissifa; Ahmad Fauzi; Riki Supriyadi
JEKIN - Jurnal Teknik Informatika Vol. 4 No. 2 (2024)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v4i2.718

Abstract

Memasak merupakan seni mengolah bahan makanan menjadi hidangan yang menggugah selera dan disajikan dengan cara menarik. Banyak aspek kehidupan sehari-hari masyarakat dipengaruhi oleh dunia kuliner. Olahan makanan yang beragam membuat masyarakat ingin memberikan makanan terbaik untuk keluarganya, Dengan menggunakan resep makanan yang tepat, pemasak dan penikmatnya akan menikmati makanan mereka.  Resep masakan adalah salah satu panduan yang memuat nama masakan, bahan, bumbu, cara membuat sampai cara menghidangkannya. Seringkali seorang pengolah makanan yang sedang mencari resep, kesulitan menentukan menu apa yang akan dibuat dari bahan yang ada di dapur. Oleh karena itu, dibuatlah aplikasi android untuk memudahkan pemilihan resep masakan. Aplikasi jago masak ini dibuat dengan menggunakan model extreme programming berbasis android, dengan menerapkan flutter. Dimana aplikasi ini dapat digunakan untuk pecinta kuliner yang ingin memasakan masakan Indonesia, western dan jepang. Aplikasi ini juga sudah dilakukan pengujian menggunakan blackbox testing. Dimana semua tombol, fitur dan lain sebagainya telah berfungsi dengan baik.