Article Per Year (5 Year)
p-Index From 2021 - 2026
3.092
P-Index
This Author published in this journals
All Journal Information Management For Educators And Professionals (IMBI) Jurnal Informasi dan Komputer JURSIMA (Jurnal Sistem Informasi dan Manajemen) Jurnal Informatika Teknologi dan Sains (Jinteks) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Journal of Student Research JURSIMA
Arif Rinaldi Dikananda
Unknown Affiliation
Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Sales Data Analysis using Linear Regression Algorithm on Raw Water Sales Rohayati, Eti; Martanto; Arif Rinaldi Dikananda; Dede Rohman
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 2 (2025): February 2025
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i2.809

Abstract

This study aims to assess the effectiveness of linear regression algorithm in predicting raw water demand by considering customer transaction data, raw water volume, and seasonal variables. The method used is Knowledge Discovery in Databases (KDD), including data selection, preprocessing, transformation, data mining, and result evaluation. The dataset is divided 80% for training and 20% for testing. The analysis results show that the linear regression model has a coefficient of determination (R²) of 0.77, which means that the model can explain 77% of the data variability. The prediction error value is low, with Mean Absolute Error (MAE) 0.06, Mean Squared Error (MSE) 0.01, and Root Mean Squared Error (RMSE) 0.08, indicating good accuracy. In the comparison between actual and predicted values, for actual data of 7,000 liters, the model predicts 7,984.70 liters. The variable number of customer transactions has the greatest influence on raw water demand, with a coefficient of 16,940.46, while seasonal factors have less influence. Based on these findings, it can be concluded that the linear regression algorithm is effective in predicting raw water demand, however further development is required to improve accuracy at extreme values, by adding variables or using more complex algorithms.
Implementasi Algoritma K-Means Clustering Dalam Pengelompokkan Data Jumlah Kerusakan Rumah Berdasarkan Kondisi Di Jawa Barat Fauziah Noor Musid; Arif Rinaldi Dikananda; Fathurrohman
Journal of Student Research Vol. 1 No. 3 (2023): Mei: Journal of Student Research
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jsr.v1i3.1155

Abstract

Berdasarkan data yang dipublikasikan oleh Badan Penanggulangan Bencana Daerah (BPBD), Jawa Barat merupakan provinsi dengan jumlah kejadian bencana alam tertingggi di Indonesia sebanyak 3006 kejadian untuk periode 2015-2021. Kondisi ini mengharuskan BPBD (Badan Penanggulangan Bencana Daerah) dan Pemda Provinsi Jawa Barat untuk memperhatikan penanggulangan bencana serta penanganan dampak bencana. Bencana-bencana yang terjadi dapat mengakibatkan dampak yang merusak berbagai bidang. Salah satu dampak yang sangat berpengaruh adalah dampak kerusakan rumah. Kerusakan rumah akibat bencana merupakan dampak yang menyangkut kerusakan pada bidang ekonomi, sosial dan lingkungan. Karena itu, penanganan dampak kerusakan rumah harus dilakukan secara matang, tepat serta cara penanganannya harus berkembang setiap saat. Agar kedepannya bisa melakukan penanganan seperti yang diinginkan, maka perlu diketahui klaster/kelompok bencana berdasarkan dampak jumlah kerusakan rumah berdasarkan kondisi akibat bencana yang telah terjadi di Jawa Barat, dengan cara melakukan pengimplementasian algoritma K-Means clustering untuk mengklasterisasikan data jumlah kerusakan rumah berdasarkan kondisi yang diambil dari portal resmi data terbuka milik Pemda Provinsi Jawa Barat yaitu Open Data Jabar. Dalam kaitannya dengan data dampak bencana, teknik pengelompokan pada data mining sangat berguna dalam mengelompokkan data dampak bencana berupa keruskan rumah berdasarkan kemiripannya. Proyek tugas akhir ini mengimplementasikan algoritma k-means untuk mengklasterisasi data jumlah kerusakan rumah akibat bencana berdasarkan kondisinya yang terjadi di Jawa Barat dan menghasilkan 2 klaster/kelompok dengan nilai dbi teroptimal sebesar 0,118 dimana klaster 0 berisi data yang berasal dari 16 Kabupaten di Jawa Barat dan klaster 1 yang berisi data yang berasal dari 9 Kota di Jawa Barat.
Co-Authors Ade Irma Purnamasari Ahmad Faqih Aria Pratama Candra, Candra Rahmawati Dadang Sudrajat Dede Rohman Dyana Fitri Ega Salsa Nugraha Eka Wisnu Ramadhona Fachry Abda El Rahman Fahmi Naufal Fathurrohman, Fathurrohman Fatihanursari Dikananda Fauziah Noor Musid Gifthera Dwilestari Hanifah Nur Aulia Ica, Ica Pandia Irfan Ali Laylatunna'imah Martanto Moch Feri Izulhaq Mulyawan Mulyawan Mulyawan Musofi Musofi Nana Suarna nur syarief abdullah Nurjana Adi Wijaya Odi Nurdiawan Rohayati, Eti Rohman, Dede Rudi Kurniawan Saeful Anwar Saefullah Fasa Santi Nurjulaiha Shofian Yunus Tati Suprapti Tio Prasetya Wiratriyana