Article Per Year (5 Year)
p-Index From 2021 - 2026
2.338
P-Index
This Author published in this journals
All Journal International Journal of Evaluation and Research in Education (IJERE) Journal of Information Systems Engineering and Business Intelligence Sistemasi: Jurnal Sistem Informasi JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Journal of Information Systems and Informatics The Indonesian Journal of Computer Science Research Jurnal: International Journal of Engineering and Computer Science Applications (IJECSA)
Afrig Aminuddin
Universitas AMIKOM Yogyakarta
Computer Science & IT Education Electrical & Electronics Engineering Engineering

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : The Indonesian Journal of Computer Science Research

 1 
Analisis Komparatif Algoritma Random Forest dan Multiple Linear Regression untuk Prediksi Suhu Udara dengan Rekayasa Fitur Siklik Haryoko, Haryoko; Farida, Lilis Dwi; Aminuddin, Afrig; Ghozali, Bahrun
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.255

Abstract

Prediksi temperatur cuaca merupakan tantangan signifikan dalam bidang meteorologi dan pertanian presisi dikarenakan karakteristik data atmosfer yang sangat fluktuatif dan non-linear. Penelitian ini bertujuan untuk melakukan analisis komparatif kinerja algoritma Machine Learning dalam mengestimasi suhu udara harian, dengan membandingkan model Multiple Linear Regression sebagai baseline dan Random Forest Regressor sebagai model utama. Eksperimen melibatkan penerapan teknik rekayasa fitur (feature engineering) yang komprehensif, khususnya transformasi variabel arah angin menjadi komponen vektor kontinu serta ekstraksi fitur waktu menjadi komponen siklik untuk menangkap pola musiman. Berdasarkan hasil evaluasi menggunakan dataset historis cuaca, model Random Forest menunjukkan performa yang lebih superior dibandingkan Multiple Linear Regression, dengan capaian nilai Koefisien Determinasi ( ) sebesar 0.990, Mean Absolute Error (MAE) sebesar 0.74°C, dan Root Mean Squared Error (RMSE) sebesar 0.95. Hasil analisis membuktikan bahwa pendekatan ensemble learning dengan penanganan fitur siklik jauh lebih efektif dalam memetakan kompleksitas interaksi variabel cuaca dibandingkan metode linear konvensional
Co-Authors Abdullah, Khairul Hafezad Abdulloh, Ferian Fauzi Acihmah Sidauruk Agastya, I Made Artha Alam Miah, Mohammad Badrul Apitiadi, Satyo Dwi Asadulloh, Bima Pramudya Ashadi, Diki Bety Wulan Sari Bety Wulan Sari, Bety Wulan Dhanar Intan Surya Saputra Diki Ashadi Donni Prabowo, Donni Ghozali, Bahrun Gunawan, Puguh Hasta Hairani Hairani Hammood, Waleed A. Harianto, Fetrus Jari Haryoko, Haryoko I Nyoman Switrayana Joang Ipmawati Kusnawi Kusnawi Kusuma, Velizha S LILIS DWI FARIDA Majid Rahardi Mohammad Iskandar Dzulkurnain Mustofa, Dinar Norhikmah, - Wiji Nurastuti, Wiji Wirasto, Anggit Yoga Pristyanto