Article Per Year (5 Year)
p-Index From 2021 - 2026
2.195
P-Index
This Author published in this journals
All Journal MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Jurnal Sains Matematika dan Statistika Jurnal Analisa Technologia: Jurnal Ilmiah Indonesian Journal of Global Health research Jurnal Manajemen Pendidikan Dasar, Menengah dan Tinggi [JMP-DMT] LINEAR: Journal of Mathematics Education Edupedia: Jurnal Studi Pendidikan dan Pedagogi Islam Jurnal Pembelajaran dan Pengembangan Matematika Jurnal Riset Mahasiswa Matematika
Sri Harini
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Religion Computer Science & IT Education Health Professions Languange, Linguistic, Communication & Media Mathematics Nursing Public Health Other

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

Found 13 Documents
Search

 1   2 
Predicting Budget Absorption Categories Using Random Forest and Support Vector Machine Methods Novardy Novardy; Ririen Kusumawati; Muhammad Amin Hariyadi; Sri Harini; Muhammad Imamudin
MATICS: Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Vol 18, No 1 (2026): MATICS
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v18i1.37223

Abstract

Budget classification plays a crucial role in planning, management, and budgeting, from implementation to accountability. We create budgets by considering various types of expenditures and funding sources. Each type of expenditure, such as employee salaries, goods, capital, grants, social assistance, subsidies, interest, and non-tax revenue (PNBP) or public service agencies (BLU), has its own set of rules and methods for tracking money. This study aims to demonstrate how budget classification, based on expenditure types and funding sources, is applied in the implementation of the Revenue Budget. This study aims to assess the classification performance of two models, namely the Random Forest Classifier (RFC) and Support Vector Machine (SVM), based on historical data and evaluate the performance of each model. Tests show that the Random Forest model consistently outperforms the SVM model for each data proportion, with a ratio of 90:10 to 60:40. The Random Forest model achieved its best performance at the 80:20 data split, with an accuracy score of 94 percent, a precision score of 94 percent, a recall score of 94 percent, and an F1 score of 87 percent. The average accuracy score of the SVM test results was 80 percent.
Optimasi Prediksi Kecepatan Angin Harian dengan Jaringan Saraf Tiruan Muhammad Imamul Khoiri; Sri Harini; Achmad Nashichuddin
Jurnal Riset Mahasiswa Matematika Vol 4, No 6 (2025): Jurnal Riset Mahasiswa Matematika
Publisher : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/jrmm.v4i6.34659

Abstract

Penelitian ini memodelkan kecepatan angin harian pada jalur penyeberangan Gresik--Bawean periode Desember 2020 hingga November 2023 menggunakan Jaringan Saraf Tiruan (JST) dengan algoritma backpropagation. Data yang digunakan meliputi kecepatan angin, tinggi gelombang rata-rata, panjang gelombang, periode gelombang, dan tinggi maksimum gelombang. Model dievaluasi dengan skema \textit{walk-forward validation} dan dibandingkan dengan model baseline seperti \textit{persistence} dan SARIMA. Kinerja diukur menggunakan metrik MAE, RMSE, sMAPE, dan MASE dengan interval kepercayaan bootstrap, serta pengujian signifikansi menggunakan uji Diebold--Mariano. Hasil menunjukkan bahwa arsitektur terbaik JST (5--3--2--1) mampu menurunkan RMSE secara signifikan dibandingkan baseline (p $
ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI TUTUPAN LAHAN DI KABUPATEN BANJAR Tegar Diwantara; Sri Harini; M. Imamudin
Technologia : Jurnal Ilmiah Vol 16 No 4 (2025): Technologia (Oktober)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v16i4.20683

Abstract

Perubahan tutupan lahan di kawasan cepat tumbuh menuntut sistem pemantauan yang efisien dan presisi berbasis citra satelit. Kajian mutakhir menegaskan bahwa klasifikasi berbantuan machine learning meningkatkan reliabilitas peta Land Use Land Change dibanding metode tradisional.Penelitian ini bertujuan untuk mengidentifikasi model klasifikasi terbaik dalam menentukan jenis tutupan lahan di wilayah Kabupaten Banjar. Metode yang digunakan adalah pendekatan machine learning dengan membandingkan 2 algoritma klasifikasi, khususnya metode Random Forest dan Support Vector Machine. Proses pelaksanaan mencakup pengolahan data citra, ekstraksi fitur, pelatihan model, serta evaluasi akurasi menggunakan data validasi. Teknik analisis dilakukan dengan menguji berbagai parameter model untuk mendapatkan kombinasi terbaik dalam meningkatkan performa klasifikasi. Hasil penelitian menunjukkan bahwa metode Random Forest dengan 700 pohon (RF_700trees) memberikan akurasi tertinggi sebesar 91,3%, sedangkan metode Support Vector Machine dengan kernel linier mencapai akurasi 87%. Penambahan jumlah pohon pada metode Random Forest  terbukti meningkatkan akurasi hingga titik tertentu, namun setelah melewati batas optimal justru mengalami penurunan performa. Pemilihan parameter yang tepat sangat mempengaruhi kinerja model secara keseluruhan. Berdasarkan hasil tersebut, metode Random Forest dengan 700 pohon (RF_700trees) menjadi model paling optimal untuk klasifikasi tutupan lahan pada data yang digunakan dalam penelitian ini.
Co-Authors Abdullah Shofi Abdussakir Abdussakir Ach. Nashichuddin Andini Endah Sri Mulyani Anisah Salsabila Asfira Zakiatun Nisa’ Atiqotur Royyani Dewi Rosikhoh Edy Prayoga Elly Susanti Endang Widhiyastuti Erni Anggraini Iktafi Muzayana Ina Maya Sabara Ira Wirdatus Solichah M. Imamudin Marhayati Muhammad Amin Hariyadi Muhammad Imamudin Muhammad Imamul Khoiri Muhammad Irfan Afandi Nailul Munah Novardy Novardy Noviana Dewi Nuri Fatihatul Fariha Rifqoh Thoyyibah Ririen Kusumawati Sri Pujilestari Suci Hidayati Tegar Diwantara Tri Harningsih Turmudi, Turmudi