Article Per Year (5 Year)
p-Index From 2021 - 2026
3.582
P-Index
This Author published in this journals
All Journal Jurnal Simetris Telematika Jurnal Transformatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) IJCIT (Indonesian Journal on Computer and Information Technology) Jurnal Pengembangan Rekayasa dan Teknologi Building of Informatics, Technology and Science Jurnal Teknik Informatika (JUTIF) Journal of Computer and Information Systems Ampera Jurnal Pengabdian Masyarakat Indonesia JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Pengabdian Mitra Masyarakat (JPMM) Tematik Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Jurnal DIMASTIK
Rastri Prathivi
Universitas Semarang
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Mechanical Engineering Medicine & Pharmacology Public Health Social Sciences Transportation Other

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
Analisis Perbandingan Metode ARIMA Dan LSTM Untuk Prediksi Penjualan Harga Saham BNI Tunggal, Anisa; Prathivi, Rastri
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.557

Abstract

This study aims to compare the Autoregressive Integrated Moving Average (ARIMA) model and Long Short-Term Memory (LSTM) in predicting the closing stock prices of Bank Negara Indonesia (BNI) from September 2021 to September 2024. Historical stock data was obtained through web scraping from Yahoo Finance and analyzed using evaluation metrics such as MAPE and RMSE. The results show that ARIMA outperforms LSTM in prediction accuracy, with lower MAPE and RMSE values for both training and testing data. Additionally, the 7-day ahead stock price predictions indicate that LSTM experienced a 3.42% decrease compared to ARIMA. Based on this study, ARIMA can be concluded as a more accurate model in predicting BNI stock prices compared to LSTM
Klasterisasi Tingkat Kecanduan Penggunaan Tiktok Terhadap Minat Belajar Menggunakan Algoritma K-Means Clustering Ciptandini, Madyantari Ipmas; Prathivi, Rastri
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.548

Abstract

The decline in interest in learning among students is one of the significant challenges in the digital era, especially due to the excessive use of social media such as TikTok. TikTok, with its engaging and interactive short video content, often distracts learners from studying. These negative impacts include decreased focus, sleep disturbances and less time allocated to study, which ultimately affects academic achievement. Therefore, this study aims to cluster data related to the level of TikTok addiction and decreased interest in learning using the K-Means Clustering algorithm. The K-Means method was used to cluster a dataset of 137 samples into two groups based on the pattern of TikTok usage frequency and study interest level. The model evaluation process shows good performance, with an accuracy value of 96%, recall 98%, precision 91%, and F1 Score 94%. These results support the effectiveness of K-Means in identifying groups at high risk of declining interest in learning. This research proves the potential of clustering techniques in identifying distractions and offering solutions to deal with them
Komparasi Metode SVM dan Logistic Regression untuk Klasifikasi Hipotesa Penyakit Kanker Paru Paru Berdasarkan Gejala Awal Rahmaeda, Shafara; Prathivi, Rastri
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.562

Abstract

Lung cancer is the uncontrolled growth of cancer cells in lung tissue that occurs due to various carcinogenic substances. Throughout Indonesia, this disease is still the leading cause of death from cancer. The main risk factors include smoking habits, exposure to cigarette smoke, chest pain. Namely, classification is one way of early detection that can reduce the death rate of lung cancer. Various classification techniques have been proposed in various fields such as machine learning and expert systems. In machine learning, there are two methods used in classification, namely SVM and Logistic Regression. The advantage of SVM is to divide data into hyperplanes so that the data space is divided into two classes. SVM theory begins by collecting data that can be separated by a straight line using a hyperplane, then grouped by class. While Logistic Regression is used to describe the relationship between categorical response variables and covariates. Specifically, there is a direct relationship between the independent variable and the logarithm of the probability of an event occurring. This study aims to compare which is the best using the SVM algorithm and the Logistic Regression Algorithm in the classification of lung cancer. The lung cancer disease dataset has a total of 309 data where the data is separated into two parts, namely 70% training data consisting of 216 data, while 30% test data consists of 93 data. The performance used in predicting the model is Accuracy, Precision, Recall, and F1-Score. From the research conducted, the Accuracy value of the Logistic Regression Algorithm was 97.85%. In this case, the Logistic Regression algorithm has better performance in classifying lung cancer than the SVM algorithm.
OPTIMASI METODE RANDOM FOREST UNTUK KLASIFIKASI RISIKO OBESITAS BERDASARKAN POLA MAKAN Rosidah, Nafiati; Prathivi, Rastri; Susanto, Susanto
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5065

Abstract

Pola makan tidak sehat, seperti mengonsumsi makanan cepat saji dan mengurangi asupan sayur serta buah, merupakan salah satu penyebab utama obesitas, yang menjadi masalah kesehatan global. Obesitas dapat meningkatkan risiko penyakit tidak menular seperti diabetes, hipertensi, dan penyakit jantung. Dengan menggunakan algoritma Random Forest, penelitian ini bertujuan untuk mengembangkan model prediksi risiko obesitas berbasis pola makan. Data yang digunakan terdiri dari 1.610 record dengan 15 atribut, yang diambil dari dataset publik. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data menjadi data latih dan uji, implementasi model, optimasi hyperparameter dengan Grid Search, dan evaluasi model. Hasil penelitian menunjukkan bahwa model Random Forest yang dioptimasi mampu mencapai akurasi sebesar 85,4%. Frekuensi mengonsumsi makanan cepat saji, jumlah makanan utama setiap hari, kebiasaan ngemil, dan konsumsi sayur adalah beberapa variabel penting yang memengaruhi prediksi. Model ini diharapkan dapat membantu pencegahan dan penanganan obesitas secara lebih efektif sekaligus memberikan wawasan tambahan untuk pengembangan sistem prediksi kesehatan berbasis data
IMPLEMENTASI METODE SVM UNTUK KLASIFIKASI PENYAKIT STUNTING BAYI Dewanti, Tita Risa; Prathivi, Rastri; Susanto, Susanto
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 1 (2025): EDISI 23
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i1.5070

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis Support Vector Machine (SVM) guna mendeteksi kasus stunting pada bayi dengan tingkat akurasi yang tinggi. Stunting adalah gangguan pertumbuhan kronis akibat kekurangan gizi yang berkepanjangan, ditandai dengan tinggi badan yang tidak memenuhi standar Organisasi Kesehatan Dunia (WHO). Penelitian ini menggunakan dataset besar berjumlah 120.999 data dengan atribut umur, jenis kelamin, tinggi badan, dan status gizi. Data melalui tahap preprocessing, termasuk encoding data kategori dan pembagian data menjadi set pelatihan (80%) dan pengujian (20%). Model dilatih menggunakan kernel Radial Basis Function (RBF) dan Linear, dengan evaluasi melalui metrik akurasi dan confusion matrix. Hasil penelitian menunjukkan bahwa kernel RBF menghasilkan akurasi yang lebih tinggi, yaitu 95,26%, dibandingkan kernel Linear yang hanya mencapai 78,67%. Penelitian ini memberikan kontribusi dalam upaya deteksi dini stunting untuk membantu pemerintah dan tenaga kesehatan di Indonesia, sekaligus menjadi landasan untuk pengembangan lebih lanjut dalam klasifikasi berbasis pembelajaran mesin di bidang kesehatan.
Komparasi Metode SVM dan Adaboost untuk Klasifikasi Kanker Payudara Elfitrianna, Ikka Ayu; Prathivi, Rastri
Jurnal Transformatika Vol. 22 No. 2 (2025): January 2025
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/9adm2e13

Abstract

One of the most prevalent malignancies in women and a major global cause of death is breast cancer. To determine whether a cancer is benign or malignant, early detection is essential. The usefulness of the Support Vector Machine (SVM) and Adaptive Boosting (Adaboost) algorithms for breast cancer classification using mammography data is compared in this study. 569 records make up the dataset, which was sourced from the Kaggle Repository and is split into 75% training data and 25% testing data. Preprocessing steps include feature and target variable creation, categorical-to-numerical conversion, data splitting, and normalization. SVM achieved an accuracy of 97%, with a precision of 98%, recall of 94%, and F1 score of 96%. Adaboost, on the other hand, achieved an accuracy of 96%, precision of 98%, recall of 92%, and F1 score of 95%. The results reveal that both algorithms are highly effective for breast cancer detection, with SVM marginally exceeding Adaboost in total performance. These findings emphasize the promise of machine learning techniques in facilitating early cancer diagnosis, hence boosting survival rates. It is advised that future research employ a wider range of datasets and investigate different classification techniques in order to improve accuracy and dependability even more.
Komparasi Algoritma Random Forest dan XGBoost dalam Prediksi Premi Asuransi Kesehatan karunia, windy; Windy; prathivi, rastri
Jurnal Transformatika Vol. 23 No. 1 (2025): July 2025
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v23i1.11914

Abstract

Asuransi kesehatan saat ini menjadi salah satu hal yang banyak orang persiapkan dikarenakan adanya ketidakpastian risiko kesehatan dan biaya layanan kesehatan yang semakin naik. Perhitungan premi tiap individu dapat berbeda dikarenakan terdapat perbedaan profil kesehatan seperti usia, BMI maupun gaya hidup seperti merokok yang membuat perusahaan asuransi harus memperhitungkan premi dengan akurat agar tidak menimbulkan kerugian finansial dan sesuai dengan tingkat risiko terjadinya klaim. Adapaun tujuan dari penelitian ini adalah melakukan komparasi antara algoritma Random Forest dan XGBoost dalam memprediksi premi asuransi kesehatan berdasarkan beberapa faktor yang sulit dihitung secara manual. Evaluasi dilihat berdasarkan metrik regresi yaitu MAE, MSE, RMSE, dan R2. Pada penelitian ini, algoritma Random Forest berhasil memprediksi premi asuransi kesehatan lebih baik dari XGBoost dengan nilai MAE 2.573, MSE 24199792,43 RMSE 4919, 33 dan R2 sebesar 84.04%.
SISTEM PENDUKUNG KEPUTUSAN SELEKSI BEASISWA PADA UNIVERSITAS SEMARANG MENGGUNAKAN METODE TOPSIS Prathivi, Rastri
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 2 No. 1 (2018): Mei (2018)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v14i1.1214

Abstract

Penelitian yang dilakukan pada Universitas Semarang dengan objek mahasiswa atau calon penerima beasiswa. Beasiswa diberikan untuk membantu mahasiswa dalam menempuh studinya. Ada beberapa beasiswa yang diberikan kepada mahasiswa Universitas Semarang diantaranya dari Yayasan maupun dari instansi yang bekerja sama dengan Universitas Semarang. Dalam penelitian ini dibahas mengenai pemberian beasiswa Peningkatan Prestasi Akademik (PPA). Untuk mempermudah dalam pengambilan keputusan dalam penentuan mahasiswa yang layak menerima beasiswa diperlukan sebuah sistem pendukung keputusan yang menguji kriteria-kriteria sebagai salah satu syarat dalam seleksi penerimaan beasiswa. Kriteria ini diuji dengan menggunakan metode Topsis (Technique for Order Preference by Similarity to Ideal Solution). Dengan metode Topsis digunakan untuk mencari alternatif   dengan kriteria-kriteria tertentu. Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut untuk menentukan alternatif yang diberikan. Proses penentuan beasiswa dengan metode Topsis dapat mempercepat proses seleksi penerima beasiswa dan mengurangi kesalahan dalam menentukan mahasiswa yang layak mendapat beasiswa.
ANALISA SISTEM QR CODE UNTUK IDENTIFIKASI BUKU PERPUSTAKAAN Prathivi, Rastri
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 2 No. 2 (2018): November (2018)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v14i2.1225

Abstract

Information books in the library will provide a special identity on any book title. Identity of the books stored in the library will allow the borrower book knows the book title, author, ISBN number, number of shelves where the books are stored and the number of books available in the library. Identity can be summarized in a QR Code.With the QR Code on the books, the user can obtain information about a book without having to connect to the database, simply scanning the QR Code Reader. To create a QR Code requires an application generator. In this study, the authors will develop case studies QR Code Generator library FTIK University of Semarang. QR Code Generator will convert alphanumeric data from a book into a two-dimensional image. Which will be attached to each book in the library.
ANALISA METODE VALIDASI SENSOR SUHU UNTUK APLIKASI INTERNET OF THINGS Nugroho, Atmoko; Prathivi, Rastri; Daru, April Firman
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 3 No. 1 (2019): Mei (2019)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v15i1.1482

Abstract

Internet of Thing (IoT) saat ini mengalami perkembangan yang pesat dalam implementasinya, banyak bidang kehidupan yang sudah menerapkannya. Hal ini tidak terlepas akan peranan teknologi komputer dan teknologi sensor. Teknologi komputer memunculkan banyak ragam perangkat keras yang semakin kompak dan mudah untuk dibuat menjadi IoT.   Begitu pula teknologi sensor yang beragam, yang mendukung terwujudnya IoT untuk berbagai parameter. Sensor yang banyak macam dan sering dipakai adalah sensor suhu, oleh sebab itulah dalam penelitian ini membatasi pada sensor suhu. Koreksi ataupun validitas data merupakan kebutuhan yang sangat penting dalam IoT, dan hal ini bergantung dari jenis atau macam sensor yang digunakan. Dalam penelitian ini menggunakan untuk jenis-jenis sensor suhu, seperti : thermostat, thermistor, Resistive Temperature Detector (RTD), dan thermocouple tidak mendetail. Yang menjadi tujuan utamanya adalah metode yang bisa digunakan untuk menentukan validitas ataupun tingkat koreksi dari penangkapan data berbagai sensor suhu.
Co-Authors Alauddin Maulana Hirzan Andrianto, Diky April Firman Daru Astrid Novita Putri, Astrid Atmoko Nugroho Cholil, Saifur Rohman Ciptandini, Madyantari Ipmas Dewanti, Tita Risa Edi Widodo Edi Widodo, Edi Elfitrianna, Ikka Ayu Febrian Wahyu Christanto Galet Guntoro Setiaji Hadi, Soiful Hanif, Mohammad Burhan Hetty Catur Ellyawati, Hetty Catur karunia, windy Lenny Margaretta Huizen Liu, Meifang Mar’atuzzulfa, Salma Nurdewanti, Debi Safa Pradvenanta, Yoannes Dion Qurinta Shinta Rahmaeda, Shafara Rastri Prathivi Rosidah, Nafiati Saifur Rohman Cholil Sara Sharifzadeh Siti Asmiatun, Siti Soiful Hadi Sri Handayani Susanto Susanto Titin Winarti Titis Handayani Tria Ardianita Tunggal, Anisa Utomo, Mario Victor Gayuh Utomo Windy Yunita Kurniawati, Yunita Zalzabila, Niken