Article Per Year (5 Year)
p-Index From 2021 - 2026
2.906
P-Index
This Author published in this journals
All Journal Jurnal TIMES Sinkron : Jurnal dan Penelitian Teknik Informatika Journal Information System Development METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Jurnal Informatika Kaputama (JIK) Jurnal Pengabdian Pada Masyarakat METHABDI Majalah Ilmiah METHODA TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Jurnal Pengabdian Masyarakat Nauli
Indra Kelana Jaya
Universitas Methodist Indonesia
Religion Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Immunology & microbiology Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Physics Public Health Social Sciences

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal TIMES

 1 
Pendekatan Level Data untuk Menangani Ketidakseimbangan Data Menggunakan Algoritma K-Nearest Neighbor Perangin-angin, Resianta; Harianja, Eva Julia Gunawati; Jaya, Indra Kelana
Jurnal TIMES Vol 9 No 1 (2020)
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (302.889 KB) | DOI: 10.51351/jtm.9.1.2020615

Abstract

Dalam penelitian ini digunakan dataset yang memiliki tingkat ketidakseimbangan yang berbeda beda mulai dari 16.40, 8.60, 2.06, 2.78, 1.87, tentu hal ini dapat menurunkan kinerja algoritma klasifikasi. Secara umum ketidakseimbangan kelas dapat ditangani dengan dua pendekatan, yaitu level data dan level algoritma. Pendekatan level data ditujukan untuk memperbaiki keseimbangan kelas, sedangkan pendekatan level algoritma ditujukan untuk memperbaiki algoritma atau menggabungkan (ensemble) pengklasifikasi agar lebih konduktif terhadap kelas minoritas. Pada penelitian ini diusulkan pendekatan level data dengan resampling, yaitu random oversampling (ROS), dan random undersampling (RUS), Pengklasifikasi yang digunakan adalah k-near neighbors. Hasil penelitian menunjukkan bahwa model ROS+KNN dan RUS+KNN didapat dengan selisih G-Means sebesar 13% dan F-Measure 2,08%, dari, hal ini menunjutkan bahwa RUS+KNN dan ROS+KNN bisa meningkatkan akurasi dari G-Mean dan F-Measure namun tidak memiliki perbedaan yang signifikan.
Kombinasi Time Series Dengan Fuzzy Inferency System Untuk Model Prediksi Inflasi Dengan Akurasi Tinggi Perangin-angin, Resianta; Jaya, Indra Kelana; Rumahorbo, Benget
Jurnal TIMES Vol 9 No 2 (2020): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (646.197 KB) | DOI: 10.51351/jtm.9.2.2020632

Abstract

Logika fuzzy merupakan perluasan dari penalaran tradisional, dimana tidak hanya terdapat “ya” atau “tidak”, tetapi “ya” dengan nilai seberapa besar kadar “ya” tersebut, dan “tidak” dengan nilai seberapa besar kadar “tidak” tersebut. Kemampuan model fuzzy dalam memetakan nilai kabur menjadi alasan penggunaan model inferensi fuzzy dalam berbagai kasus yang menggunakan nilai kabur untuk menghasilkan suatu output yang jelas atau pasti. Dikarenakan membership fucntion dalam fuzzy inferency system sangat beragam, dalam hal ini tentu ada sedikit masalah, bagaimana menentukan membership yang terbaik atau dalam hal ini yang bisa menghasilkan nilai akurasi yang paling tinggi terhadap nilai aktual. Dalam penelitian ini akan dilakukan penelitian dengan menggunakan dua membership function, yakni membership fucntion bahu dan segitiga, model yang dipakai adalah model inferensi fuzzy Tsukamoto untuk kasus prediksi laju inflasi di Sumatera Utara, dari hasil ujicoba diperoleh ternyata kombinasi time series dengan membership fucntion segitiga dan fuzzy inferency system menghasilkan akurasi yang sangat tinggi mencapai 94,4%. Hasil ini menunjukkan kombinasi antara time series dan fuzzy inferency system untuk kasus prediksi inflasi memiliki tingkat akurasi yang sangat tinggi.
Co-Authors Albert Harianja Ambarita, Indah Aritonang, Mendarissan Azli, Putri Berlian Juni R Marpaung Dandi Daniel Siregar Darwis Robinson Manalu DEWI SARTIKA Dian Agaventa, Chrissandro Dumayanti, Imelda Sri Ericho Elovando Surbakti Eva Julia Gunawati Harianja Eva Julia Gunawati Harianja, Eva Julia Gunawati Fajar Fati Gratianus Nafiri Larosa Feruche, Melani Gea, Asaziduhu Girsang, Jhon Vebrianto Harlen G. Simanullang Harlen Gilbert Simanullang Helen Fransisca Simanungkalit Humuntal Rumapea Imelda Sri Dumayanti Jeudi A. T. P. Sianturi Jimmy F. Naibaho Larosa, Fati G. N. Larosa, FGN Larosa Lyna M. N. Hutapea Manurung, Samuel Mariana Tri Susanti Marpaung, Berlian Juni R Marzuki Sinambela Marzuki, Sinambela Melani Feruche Mufria J. Purba Naibaho, Jimmy F. Naikson Fandier Saragih Nine Situmeang Nova Soraya Simanjuntak Panjaitan, Efdi Sarjono Pujiastuti, Maria Putra, Reza Ananda Rambe, Lima Hartima Resianta Perangin-Angin Rika Rosnelly, Rika Rimbun Siringoringo, Rimbun Rumahorbo, Benget Sagala, Tamado Simon Samuel Van Basten Manurung Saragih, Naikson F. Silalahi, Arina Prima Silalahi, Veraci Simanullang, Harlen Simanullang, Harlen Gilbert Simbolon, Anita Ira Agustina Sinambela Marzuki Siska Narulita Siboro Surianto Sitepu Surianto Sitepu Susanti, Mariana Tri Tarigan, Kerista Widya Ompusunggu Yohanna, Margaretha Yolanda Y. P. Rumapea yolanda yulianti pratiwi rumapea Zai, Andreas