Article Per Year (5 Year)
p-Index From 2020 - 2025
2.258
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Ilmiah Kursor Prosiding SNATIKA Vol 01 (2011) Jurnal Teknologi Informasi dan Ilmu Komputer REKAYASA Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) ELINVO (Electronics, Informatics, and Vocational Education) Proceeding of the Electrical Engineering Computer Science and Informatics Network Engineering Research Operation [NERO] Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control JSiI (Jurnal Sistem Informasi) Multitek Indonesia : Jurnal Ilmiah Jambura Journal of Mathematics ComTech: Computer, Mathematics and Engineering Applications JoMMiT : Jurnal Multi Media dan IT JUSIFOR : Jurnal Sistem Informasi dan Informatika International Journal of Integrative Sciences Sains Data Jurnal Studi Matematika dan Teknologi
Devie Rosa Anamisa
Universitas Trunojoyo Madura
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Physics Social Sciences

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 28 Documents
Search

 1   2   3 
Forecasting of Rice Harvest Results Using SVR Modeling Techniques Anamisa, Devie Rosa; Khotimah, Bain Khusnul; Hariyawan, Mohammad Yanuar; Irhamni, Firli; Jauhari, Achmad; Mufarroha, Fifin Ayu; Violina, Dina; Nuraini, Dinah
Jambura Journal of Mathematics Vol 7, No 1: February 2025
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jjom.v7i1.30592

Abstract

Forecasting is an activity that predicts future values {}{}by utilizing existing track record data. The object of this study is rice plants because they are the primary food source for the Indonesian people. Every year, the Government strives for rice farmers throughout Indonesia to produce abundant rice harvests to meet the community's food needs. Therefore, rice farmers need a system that can predict their rice harvests to obtain information about future harvests to find out whether their harvests have decreased or increased so that they can determine efforts that can be made in the future and can be used as a policy maker for the Government in maintaining the national food security chain. This study uses time series data on rice harvests in Pamekasan, Madura, for 2007-2023 using the Support Vector Regression (SVR) model. The results of several trials have shown that the application of the SVR model for forecasting rice harvests in 2024 has produced good accuracy with a relatively low MAPE error rate of 3.97\%, and the rice harvest has reached an average prediction of 15470.08 tons with an average actual data of 7937.884 tons. Therefore, applying this SVR model can be recommended for predicting future rice harvests. 
Klasifikasi Penyakit Hepatitis C dengan Menggunakan K-Nearest Neighbor Fathul Qorib Yusfila; Bain Khusnul Khotimah; Devie Rosa Anamisa; Ana Tsalitsatun Ni’mah
Sains Data Jurnal Studi Matematika dan Teknologi Vol 3, No 1: January - June 2025
Publisher : Sekolah Tinggi Agama Islam Nurul Islam Mojokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52620/sainsdata.v3i1.205

Abstract

Hepatitis merupakan kondisi peradangan pada hati yang disebabkan oleh berbagai jenis virus, baik yang menular maupun tidak menular, dan dapat menimbulkan komplikasi serius hingga kematian. Terdapat lima tipe utama virus hepatitis, yaitu A, B, C, D, dan E. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Hepatitis C menggunakan algoritma K-Nearest Neighbor (KNN) dengan pendekatan penanganan data tidak seimbang melalui teknik Random Oversampling. Dataset yang digunakan adalah HCV dari UCI Machine Learning Repository, yang terdiri dari 615 data dengan 14 fitur dan 5 kategori kelas. Karena data bersifat tidak seimbang, dilakukan peningkatan jumlah data pada kelas minoritas menggunakan Random Oversampling. Proses evaluasi dilakukan dengan membandingkan performa KNN tanpa dan dengan oversampling, serta menentukan nilai K terbaik melalui skenario pengujian menggunakan 5-fold Cross Validation. Hasil menunjukkan bahwa KNN tanpa oversampling menghasilkan akurasi tertinggi sebesar 94% pada nilai K=3, sementara dengan oversampling akurasi meningkat menjadi 96,70% pada nilai K yang sama. Dengan demikian, dapat disimpulkan bahwa penerapan Random Oversampling mampu meningkatkan performa klasifikasi algoritma KNN pada data Hepatitis C yang tidak seimbang.
Prediksi Hasil Panen Padi dengan Metode Multiple Linear Regression dan Particle Swarm Optimization untuk Meningkatkan Produksi Padi di Madura Nuraini, Dinah; Violina, Dina; Anamisa, Devie Rosa; Khotimah, Bain Khusnul; Jauhari, Achmad; Mufarroha, Fifin Ayu
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 4 No 1 (2025): JUSIFOR - Juni 2025
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v4i1.5857

Abstract

Pertanian memegang peran penting dalam perekonomian Indonesia, khususnya sektor pertanian padi yang menjadi sumber pangan utama bagi sebagian besar penduduk. Meskipun Indonesia memiliki potensi besar dalam sektor ini, produksi padi seringkali mengalami fluktuasi yang memengaruhi ketahanan pangan. Oleh karena itu, prediksi produksi padi sangat penting untuk merencanakan kebijakan pertanian dan memastikan ketahanan pangan. Metode yang digunakan adalah Multiple Linear Regression (MLR) yang dioptimalkan dengan Particle Swarm Optimization (PSO) untuk memprediksi produksi padi di Pulau Madura. Data yang digunakan meliputi variabel terikat (produksi padi) dan variabel bebas seperti luas tanam, luas panen, dan produktivitas. Mean Absolute Percentage Error (MAPE) digunakan dalam menghiung kesalahan error model. Hasil pengujian menunjukkan bahwa pembagian data 50% untuk pelatihan dan 50% untuk pengujian menghasilkan hasil terbaik dengan MAPE sebesar 7,04%, yang lebih rendah dibandingkan dengan rasio data lainnya.
Peramalan Produksi Padi Menggunakan Extreme Learning Machine (ELM) Dengan Deteksi Outlier Wanda, Isnaini Septyana; Mufarroha, Fifin Ayu; Jauhari, Achmad; Anamisa, Devie Rosa
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 4 No 1 (2025): JUSIFOR - Juni 2025
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v4i1.5858

Abstract

Peramalan produksi padi yang akurat sangat penting dalam mendukung perencanaan pertanian yang efisien. Penelitian ini mengusulkan kombinasi metode Extreme Learning Machine (ELM) dengan teknik deteksi outlier untuk meningkatkan akurasi peramalan produksi padi. Deteksi outlier digunakan untuk mengidentifikasi dan mengatasi anomali dalam data historis dari Dinas Pertanian Kabupaten Bangkalan (1997-2022). Setelah proses deteksi outlier, data digunakan untuk melatih model ELM guna memprediksi produksi berdasarkan luas panen. Hasil penelitian menunjukkan bahwa pendekatan ini secara signifikan meningkatkan akurasi dibandingkan dengan model ELM tanpa deteksi outlier.
Extreme Learning Machine Untuk Memprediksi Curah Hujan Dalam Penentuan Jadwal Tanam Padi Pratiwi, Indah; Bachtiar, Dimas; Jauhari, Achmad; Yusuf, Muhammad; Mufarroha, Fifin Ayu; Anamisa, Devie Rosa
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 4 No 1 (2025): JUSIFOR - Juni 2025
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v4i1.5859

Abstract

Perubahan iklim dan pola curah hujan yang tidak menentu menjadi tantangan serius bagi pertanian, terutama dalam menentukan waktu yang tepat untuk tanam padi. Penelitian ini bertujuan untuk memodelkan curah hujan sebagai penentu jadwal tanam padi di Kabupaten Bangkalan, Madura. Pulau Madura merupakan pulau terbesar di Jawa Timur dengan total lahan kering seluas 77.999,64 ha di Kabupaten Bangkalan. Pertanian lahan kering sangat bergantung pada curah hujan sehingga memerlukan perencanaan tanam yang tepat untuk efisiensi penggunaan air. Metode Extreme Learning Machine (ELM) dipilih dalam penelitian ini karena dipilih karena kecepatan pelatihan yang tinggi dan kemampuan generalisasi yang baik. Data yang diolah terdiri dari 1.643 data curah hujan harian yang diperoleh dari BMKG Stasiun Meteorologi Perak I Surabaya, dengan rentang waktu dari Januari 2020 hingga Juni 2024. Dari hasil pengolahan data, diperoleh pengujian terbaik dengan rasio data latih dengan data uji sebesar 90:10, menggunakan satu hidden neuron, yang menghasilkan MAPE sebesar 2.489, MAE sebesar 0.0448, dan MSE sebesar 0.0086. Berdasarkan kriteria jadwal tanam padi, dapat disimpulkan bahwa jadwal tanam padi bisa dimulai pada bulan Oktober, karena curah hujan mencapai 150 mm dan mencapai lebih dari 100 mm pada tiga bulan setelahnya di tiap bulannya.
Prediksi Panen Padi Di Madura Dengan Triple Exponential Smoothing (TES) dan Algoritma Genetika Violina, Dina; Nuraini, Dinah; Anamisa, Devie Rosa; Khotimah, Bain Khusnul; Jauhari, Achmad; Mufarroha, Fifin Ayu
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 4 No 1 (2025): JUSIFOR - Juni 2025
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v4i1.5860

Abstract

Dikenalnya Indonesia sebagai negara agraris karena sebagian besar wilayahnya digunakan untuk budidaya pertanian. Dengan keberhasilan panen padi sebesar 34.6 juta ton, Indonesia mampu menduduki peringkat keempat dunia untuk produksi padi Perannya sebagai sumber utama karbohidrat menjadikan padi banyak dipilih sebagai makanan sehari-hari di dunia, termasuk Indonesia. Khususnya di Madura, seiring bertambahnya jumlah pendudduk setiap tahunnya, kebutuhan pangan ikut bertambah. DI sisi lain, produksi padi yang terjadi di Madura setiap tahunnya mengalami fluktuasi. Oleh karena itu, untuk mengatasi permasalahan tersebut pada penelitian ini memanfaatkan teknologi sebagai upaya membantu petani dan pemerintah dalam menangani permasalahan agar tidak terjadi kekurangan. Penelitian ini dirancang dengan menerapkan metode Triple Exponential Smoothing (TES) yang memiliki tiga parameter (alpha, betha, dan gamma). Pemilihan parameter sangat berpengaruh pada  hasil akurasi, sehingga dalam penelitian ini ditambahkan Algoritma Genetika sebagai metode optimasi yang telah terbukti memberikan hasil yang baik pada beberapa penelitian. Algoritma Genetika pada penelitian ini digunakan untuk mengoptimalkan tiga parameter Triple Exponential Smoothing yang diperoleh hasil MAPE 9.74% dengan rasio data pelatihan 90% dan data pengujian 10%.
Peramalan Curah Hujan Berbasis Jaringan Syaraf Tiruan untuk Optimalisasi Musim Tanam Padi Bachtiar, Dimas; Pratiwi, Indah; Jauhari, Achmad; Yusuf, Muhammad; Mufarroha, Fifin Ayu; Anamisa, Devie Rosa
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 4 No 1 (2025): JUSIFOR - Juni 2025
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v4i1.5862

Abstract

Sektor pertanian berperan penting dalam kesejahteraan masyarakat Indonesia, terutama dalam produksi beras. Namun, hasil panen beras sangat bergantung pada faktor iklim, khususnya curah hujan yang mempengaruhi jadwal tanam dan produktivitas. Penelitian ini bertujuan mengembangkan model prediksi curah hujan menggunakan Jaringan Syaraf Tiruan Backpropagation (JST) untuk mengoptimalkan musim tanam padi di Bangkalan, Madura. Data curah hujan harian dari Januari 2019 hingga Juli 2024 diproses, dinormalisasi, dan digunakan sebagai input pada JST. Setelah pengujian berbagai konfigurasi, model terbaik diperoleh dengan learning rate 1.0, lima hidden layer, dan sepuluh neuron, menghasilkan MAPE sebesar 0,3912. Model ini memprediksi bahwa musim tanam padi di Bangkalan dapat dimulai pada bulan Oktober karena tingkat curah hujan memenuhi ambang batas yang diperlukan. Penelitian ini memberikan wawasan bagi pemangku kepentingan dalam merencanakan jadwal tanam yang efektif untuk mengurangi risiko gagal panen.
PCA-counseled k-means and k-medoids with dimension reduction for improved in determining optimal aid clustering Jauhari, Achmad; Suzanti, Ika Oktavia; Anamisa, Devie Rosa; Admojo, Fadhila Tangguh
Jurnal Ilmiah Kursor Vol. 13 No. 1 (2025)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/kursor.v13i1.460

Abstract

Assuring effective allocation requires targeted distribution of aid, which makes aid clustering a crucial component. For the purpose of using data-driven segmentation based on important characteristics to determine effective help targeting, accuracy in clustering is essential. The study explores the combination of Principal ComponentAnalysis (PCA), k-means, and k-medoids to enhance aid clusters, with the goal ofincreasing aid distribution accuracy and efficiency. The information gathered consists of 1600 records with 13 attributes. In order to standardized the data having two processes in it, preprocessing is first applied. When used with PCA, it makes measuring variance easier and preserves 80% of the variation by choosing five components. Thenumber of clusters may be determined with the use of PCA, k-medoids, and the k-means approach. Greater PCA-k-means silhouette coefficients, which indicate betterclustering ability, are highlighted by comparative analysis. This analysis shows thatPCA-k-means is an effective technique for creating accurate and unique clusters withina data set's structure.The clustering results using the PCA-k-means algorithm have produced the greatest accuracy in the silhouette score of 0.49 and the DBI score is 0.84.
Co-Authors Achmad Jauhari Achmad Jauhari, Achmad Admojo, Fadhila Tangguh Aeri Rachmad Agustiono, Wahyudi Ahmad Sahru Romadhon Akhmad Tajuddin Tholaby Ana Tsalitsatun Ni'mah Arif Djunaidy Bachtiar, Dimas Bain Khusnul Khotimah Bain Khusnul Khotimah Bain Khusnul Khotimah Faikul Umam Fathul Qorib Yusfila Fifin Ayu Mufarroha Firli Irhamni Ika Oktavia Suzanti Indah Pratiwi Intan Rofika Putri Khusnul Khotimah, Bain Mohammad Syarief Mohammad Yanuar Hariyawan Muhammad Yusuf Muhammad Yusuf Nuraini, Dinah Salsabila, Unik Hanifah Septiyanto, Triyas Setiani Syakur, Muhammad Ali Syarief, Mohammad Violina, Dina Wahyu Indra Kustina Wahyudi Agustiono Wahyudi Agustiono Wanda, Isnaini Septyana Wulandari, Ana Yuniasti Retno Yeni Kustiyahningsih