Claim Missing Document
Check
Articles

Found 7 Documents
Search

Application of the rule-based system method to determine the type of crops based on altitude and rainfall Gunawan, Gunawan; Firmansyah, Akhmad Lutfi; Santoso, Bayu Aji
Jurnal Mantik Vol. 8 No. 1 (2024): May: Manajemen, Teknologi Informatika dan Komunikasi (Mantik)
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/mantik.v8i1.5234

Abstract

Applying the rule-based system method to determine the type of agricultural crop based on altitude and rainfall is essential in increasing productivity and efficiency in modern agriculture. This study aims to develop and implement a rules-based system to recommend suitable plant types by analyzing altitude and rainfall data in the Tegal District. The research method includes experimental design, quantitative analysis, and model validation using data from the Central Bureau of Statistics and various other internet sources, covering January 1 to December 31, 2023. The results showed that this rule-based system effectively provides accurate recommendations with an average accuracy rate of 85% and an error rate of 15%. This system helps farmers make informed decisions about crop selection, reducing crop failure risk and contributing to sustainable agricultural practices. Future research suggests integrating real-time weather prediction technology and additional environmental variables to improve the precision of recommendations and expand the applicability of these systems to other areas with similar characteristics
Respon Eksplan Daun Tanaman Anggrek (Dendrobium imelda marina masagung (L.) Neo Cheng Soon) Terhadap Kombinasi NAA dan BAP Santoso, Bayu Aji; Lestari, Ani; Rahmi, Hayatul
JURNAL PERTANIAN Vol 16, No 1 (2025): Jurnal Ilmiah Respati
Publisher : Universitas Respati Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52643/jir.v16i1.4773

Abstract

Budidaya tanaman anggrek secara konvensional terbilang sangat lama karena hanya mengandalkan pemisahan rumpun maupun anakan. Lamanya hasil budidaya secara konvensional maka dibutuhkan upaya percepatan budidaya yang lebih efektif. Salah satu upaya yang dapat dilakukan adalah melalui kultur jaringan secara in vitro. Tujuan penelitian ini adalah untuk mendapatkan kombinasi konsentrasi NAA dan BAP yang memberikan hasil paling optimal terhadap pertumbuhan kalus tanaman anggrek (Dendrobium imelda marina masagung (L.) Neo Cheng Soon). Bahan tanaman yang digunakan adalah daun planlet yang berusia 8 bulan. Percobaan menggunakan Rancangan Acak Lengkap (RAL) faktor Tunggal dengan menggunakan 2 kombinasi hormon auksin dan sitokinin. Eksplan dikulturkan selama 12 minggu pada media MS instan dengan kombinasi konsentrasi NAA dan BAP. Parameter yang diukur adalah waktu muncul kalus, diameter kalus, bobot basah kalus, dan morfologi kalus. Data yang diperoleh kemudia dianalisis menggunakan uji DMRT pada taraf 1%. Hasil penelitian menunjukkan perlakuan K2 (0,5 ppm BAP + 1,0 ppm NAA) merupakan kombinasi paling optimal untuk menghasilkan presentase rerata waktu muncul kalus tercepat yaitu 54,4 HSK, diameter kalus tertinggi yaitu sebesar 1,248 mm, bobot basah eksplan sebesar 0,220 gram, dan morfologi kalus yang terbentuk yaitu kompak. Kata Kunci: Dendrobium imelda marina masagung (L.) Neo Cheng Soon, ZPT NAA, ZPT BAP, Kultur Jaringan
Penerapan Metode Regresi Linier untuk Prediksi Jumlah Penumpang Kereta Api Cahyo, Septian Dwi; Murtopo, Aang Alim; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2061

Abstract

Transportasi kereta api memainkan peran penting dalam mobilitas masyarakat, namun perencanaan kapasitas yang tidak akurat sering menyebabkan inefisiensi operasional. Penelitian ini bertujuan untuk memprediksi jumlah penumpang kereta api pada masing-masing kelas layanan menggunakan metode regresi linier sederhana. Metode yang digunakan adalah pendekatan kuantitatif deskriptif-prediktif, dengan data sekunder dari PPID PT KAI tahun 2022–2024, dianalisis menggunakan Excel dan Python. Hasil penelitian menunjukkan bahwa model regresi linier mampu menangkap tren peningkatan jumlah penumpang pada hampir semua kelas layanan selama tahun 2025, dengan akurasi tertinggi pada kelas Lokal Eksekutif (MAE: 5.309) dan kesalahan terbesar pada kelas Ekonomi (MAE: 117.010), karena perbedaan volume penumpang yang signifikan. Implikasi dari penelitian ini menunjukkan bahwa pendekatan prediksi berdasarkan kelas layanan memberikan hasil yang lebih terperinci dan dapat digunakan sebagai acuan dalam perencanaan operasional yang berbasis data, serta membuka peluang pengembangan model dengan pendekatan machine learning yang lebih kompleks di masa mendatang.
Klasifikasi Keterlambatan Pembayaran SPP Santri Menggunakan Algoritma K-Nearest Neighbor di Pesantren Al Fajar Tegal Surur, Misbahu; Santoso, Nugroho Adhi; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2117

Abstract

Penelitian ini bertujuan untuk merancang sistem klasifikasi keterlambatan pembayaran SPP menggunakan metode K-Nearest Neighbor (K-NN) di Pondok Pesantren Al-Fajar Tegal. Permasalahan keterlambatan pembayaran sering kali berdampak pada pengelolaan keuangan pesantren, sehingga dibutuhkan sistem pendukung yang mampu mengidentifikasi potensi keterlambatan sejak dini. Dalam penelitian ini, dilakukan serangkaian pengujian dengan variasi rasio data pelatihan dan pengujian, yaitu 60:40, 70:30, 80:20, dan 90:10. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, F1-score, serta validasi silang (cross-validation). Hasil terbaik diperoleh pada rasio 60:40 dengan nilai K = 1, yang menghasilkan akurasi sebesar 92,31%. Sementara itu, melalui cross-validation, nilai K = 3 menunjukkan performa yang paling stabil dengan tingkat kesalahan rendah dan akurasi maksimal sebesar 90.91%. Model terbukti mampu mengenali pola keterlambatan secara konsisten, bahkan dalam skenario data pelatihan yang lebih sedikit. Temuan ini menunjukkan bahwa metode K-NN efektif dalam mengklasifikasikan santri berdasarkan kemungkinan keterlambatan pembayaran SPP. Sistem ini memiliki potensi besar untuk dikembangkan sebagai alat bantu administrasi keuangan pesantren dalam memberikan peringatan dini dan meningkatkan efisiensi pengelolaan keuangan secara keseluruhan.
Perbandingan Algoritma Naïve Bayes, Support Vector Machine, dan Random Forest Untuk Analisis Sentimen Komentar Politik Youtube Santoso, Bayu Aji; Nugroho, Bangkit Indarmawan; Asyfiya, Dzurrotu Umi
TIN: Terapan Informatika Nusantara Vol 6 No 4 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v6i4.8326

Abstract

Sentiment analysis is an important field in natural language processing that is widely used to understand public opinion on social media. This study compares the performance of three machine learning algorithms, namely Naïve Bayes, Support Vector Machine (SVM), and Random Forest, in analyzing YouTube comment sentiment. The dataset consists of 15,257 comments obtained from the Indonesia Lawyers Club (ILC) and Rakyat Bersuara channels. The research process includes preprocessing stages (cleaning, case folding, tokenizing, normalization with a slang dictionary, stopword removal, and stemming), data labeling with a Lexicon-based approach using InSet Lexicon, data division with a ratio of 80% training data and 20% test data, and evaluation using accuracy, precision, recall, and F1-score metrics, complemented by K-fold cross validation tests. The results of the sentiment distribution show a dominance of negative sentiment at 43.2%, followed by neutral at 34.9%, and positive at 21.9%. Model evaluation showed that SVM excelled with 83.52% accuracy, 83.55% precision, 83.52% recall, and 83.52% F1-score, followed by Random Forest with 77.20% accuracy, while Naïve Bayes achieved the lowest result at 64.71%. The K-Fold test further strengthened these results, with the best accuracy of 84.14% for SVM. Thus, SVM can be concluded as the most effective algorithm for analyzing political comment sentiment on YouTube.
Komparasi Algotirma KNN dan Random Forest untuk Diagnosa Penyakit Jantung Koroner (Studi Kasus: RSUD Dr. Soeselo Slawi) Miftakhudin, Ahmad; Santoso, Nugroho Adhi; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2424

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu penyebab utama kematian di Indonesia, sehingga deteksi dini menjadi aspek krusial dalam upaya mencegah komplikasi dan meningkatkan efektivitas intervensi medis. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua algoritma machine learning, yaitu K-Nearest Neighbors (KNN) dan Random Forest, dalam klasifikasi diagnosis penyakit jantung koroner berdasarkan data rekam medis pasien RSUD Dr. Soeselo Slawi. Metodologi penelitian meliputi tahapan preprocessing data, transformasi fitur kategorikal, normalisasi, pembagian data dengan rasio 80:20, serta pelatihan dan evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa lebih unggul dengan akurasi sebesar 84.00%, precision 84.02%, recall 84.00%, dan F1-score 83.97%. Sementara K-Nearest Neighbors (KNN) memperoleh akurasi 82.00% dengan nilai evaluasi yang sedikit lebih rendah. Pengujian tambahan menggunakan K-Fold Cross Validation menunjukkan bahwa Random Forest lebih stabil terhadap variasi data, dengan akurasi tertinggi 84.80% pada fold ke-4. Penelitian ini juga melakukan pembagian data dengan rasio (60:40, 70:30, dan 90:10). Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma terbaik untuk implementasi sistem pendukung keputusan medis dalam diagnosis penyakit jantung koroner. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi kesehatan berbasis kecerdasan buatan yang lebih akurat, efisien, dan dapat diandalkan di lingkungan rumah sakit.
Implementasi Algoritma Regresi Linier dan ARIMA untuk Prediksi Harga Emas Putri, Ambar Ramadhani; Santoso, Nugroho Adhi; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2757

Abstract

Penelitian ini bertujuan mengimplementasikan dan mengevaluasi dua algoritma untuk prediksi, yaitu Regresi Linier dan ARIMA (Autoregressive Integrated Moving Average), dalam memproyeksikan harga emas (XAU/IDR) berdasarkan data historis periode 1 Januari 2022 – 31 Desember 2024. Data diperoleh dari Investing.com dan melalui tahapan pra-pemrosesan, meliputi penanganan missing values, konversi format tanggal, dan penyusunan data terstruktur. Regresi Linier digunakan untuk memodelkan tren harga jangka panjang, sedangkan ARIMA (0,1,1) diterapkan untuk menangkap pola fluktuasi jangka pendek. Evaluasi kinerja menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa Regresi Linier memiliki tingkat kesalahan prediksi lebih rendah (MAE = 51.367,85; RMSE = 89.745,89) dibandingkan ARIMA (MAE = 74.744,18; RMSE = 118.356,75). Dengan demikian, Regresi Linier dinilai lebih tepat untuk memodelkan tren harga emas pada dataset ini, sementara ARIMA tetap relevan untuk memprediksi pergerakan jangka pendek. Penelitian ini diharapkan dapat menjadi referensi dalam penerapan metode statistik dan machine learning klasik pada prediksi harga komoditas, khususnya emas, di pasar Indonesia.