Article Per Year (5 Year)
p-Index From 2021 - 2026
8.348
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Informatika dan Teknik Elektro Terapan Journal of Information Systems Engineering and Business Intelligence Jurnal Informatika Upgris Jurnal Sains dan Informatika JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Anterior Jurnal Jurnal Pengembangan Riset dan Observasi Teknik Informatika Jurnal Nasional Komputasi dan Teknologi Informasi TELEKONTRAN: Jurnal Ilmiah Telekomunikasi, Kendali dan Elektronika Terapan Technologia: Jurnal Ilmiah Jurnal Teknologi Informasi dan Terapan (J-TIT) Informatika Jurnal Teknologi Informasi : Jurnal Keilmuan dan Aplikasi Bidang Teknik Informatika JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Teknologi Informatika dan Komputer Bulletin of Computer Science Research Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Jurnal Minfo Polgan (JMP) Konstelasi: Konvergensi Teknologi dan Sistem Informasi Jurnal Atma Inovasia JOINTECOMS (Journal of Information Technology and Computer Science) J-ENSITEC (Journal of Engineering and Sustainable Technology) Diteksi : Jurnal Pengabdian Kepada Masyarakat Ignite: Journal Islamic Global Network for Information Technology and Entrepreneurship Jurnal Nasional Teknologi Informasi dan Aplikasinya
Viktor Handrianus Pranatawijaya
Universitas Palangka Raya
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Social Sciences Transportation Other

Published : 120 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 120 Documents
Search

 8   9   10   11   12 
Implementasi Sistem Pakar Forward Chaining pada Deteksi Penyakit Tanaman Selada Ainah, Saripah; Khotimah, Yusie Nur Chusnul; Maharani, Audry; Pranatawijaya, Viktor Handrianus; Priskila, Ressa
Jurnal Minfo Polgan Vol. 13 No. 1 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i1.13613

Abstract

Penelitian ini membahas implementasi Sistem Pakar menggunakan algoritma Forward Chaining untuk mendeteksi penyakit pada tanaman selada. Metode penelitian mengadopsi model Software Development Life Cycle, dengan metode waterfall. Algoritma Forward Chaining digunakan untuk logika inferensi dalam menentukan penyakit berdasarkan gejala. Proses pengembangan melibatkan analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Pada pengujian, penelitian ini menggunakan pendekatan blackbox dengan berbagai skenario uji gejala penyakit tanaman selada. Hasil pengujian mengevaluasi keakuratan, kecepatan, dan ketepatan sistem. Dengan pendekatan Software Development Life Cycle metode waterfall dan pengujian blackbox, penelitian ini memberikan kontribusi pada pengembangan sistem pakar yang handal dalam mendukung pertanian modern. Kesimpulannya, implementasi Sistem Pakar Forward Chaining dalam deteksi penyakit tanaman selada menawarkan solusi terstruktur dan dapat diandalkan. Penerapan algoritma Forward Chaining dalam logika inferensi meningkatkan akurasi diagnosa penyakit tanaman, menunjukkan kehandalan dan keefektifan metode yang digunakan.
ENSEMBLE MAJORITY VOTING UNTUK ANALISIS SENTIMEN DAN EMOSI PADA KOMENTAR YOUTUBE: STUDI KASUS RESIDENT EVIL 4 REMAKE Ahmad Abdul Hadi; Priskila, Ressa; Viktor Handrianus Pranatawijaya; Kristianti, Novera
Jurnal Teknologi Informasi: Jurnal Keilmuan dan Aplikasi Bidang Teknik Informatika Vol. 19 No. 2 (2025): Jurnal Teknologi Informasi : Jurnal Keilmuan dan Aplikasi Bidang Teknik Inform
Publisher : Universitas Palangka Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47111/jti.v19i2.22397

Abstract

Currently, social media can be said to be one of the important things in the fields of marketing, broadcasting and entertainment, such as the gaming industry. In this case, Sentiment Analysis and Emotion Detection can be a tool for understanding the public's response and perception of the content presented. One of them is for the game Resident Evil 4 Remake, which was announced on March 24, 2023, and received a lot of public response on various social media platforms such as YouTube, one of which received responses in the form of 7177 comments between June 3 2022 and February 9, 2024. The research methodology used includes data collection methodology and simulation methodology, by combining the Naive Bayes algorithm, SVM and BERT using the Majority Voting method where these algorithms were previously trained using two different datasets which showed Naive Bayes performance with an accuracy of 84%, SVM with 89%, BERT with 93% and the Majority Voting Method with 90% accuracy with training using the Resident Evil 4 Remake dataset. And in training with the Steam Game Review dataset, Naive Bayes and SVM were obtained with an accuracy of 53%, BERT with 66%, and the Majority Voting Method with an accuracy of 57%. The Majority Voting classification model trained on the Resident Evil 4 dataset was used to perform Sentiment Analysis classification on comments from the YouTube video entitled "Resident Evil 4 Remake: Reveal Trailer" from the IGN Channel. The ratio of positive and negative sentiments was 60.2% and 39%. .8% with the frequency of emotions of anger, excitement and anticipation appearing most frequently.
Optimized ensemble framework for predicting hydroponic stock and sales using machine learning Pranatawijaya, Viktor Handrianus; Priskila, Ressa; Putra, Putu Bagus Adidyana Anugrah; Sari, Nova Noor Kamala; Christian, Efrans; Geges, Septian; Kristianti, Novera
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 5: October 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i5.pp3879-3886

Abstract

The increasing global demand for food necessitates the adoption of sustainable agricultural practices. Hydroponic farming, while efficient in resource utilization, faces challenges in accurately predicting stock levels and sales due to dynamic, ever-changing factors. This research presents an optimized ensemble framework for forecasting hydroponic stock levels and sales by integrating linear regression (LR), random forest (RF), and XGBoost, further enhanced through an evolutionary algorithm (EA). The proposed framework is evaluated using root mean square error (RMSE) and mean absolute error (MAE), demonstrating significant accuracy improvements over individual models. The ensemble model achieves an RMSE reduction of 43.82% for stock prediction and 55.3% for sales forecasting compared to the best-performing individual model. Additionally, local interpretable model-agnostic explanations (LIME) are employed to offer stakeholders clear insights into decision-making processes, such as identifying "number of harvested crops" and "sales data" as key drivers of prediction outcomes. This framework supports sustainable development goals (SDGs) 9.3, 12.3, and 12.C by promoting resource efficiency, reducing food waste, and improving small-scale farmer market access. Future research will explore real-time data integration for dynamic adaptation and further model enhancements.
PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK ANALISIS SENTIMEN PADA ULASAN HOTEL Pranatawijaya, Viktor Handrianus; Efrans Christian
Jurnal Teknologi Informasi: Jurnal Keilmuan dan Aplikasi Bidang Teknik Informatika Vol. 18 No. 1 (2024): Jurnal Teknologi Informasi : Jurnal Keilmuan dan Aplikasi Bidang Teknik Inform
Publisher : Universitas Palangka Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47111/jti.v18i1.12581

Abstract

The paper extensively explores machine learning algorithms for evaluating sentiments in hotel reviews, particularly within the tourism and hospitality industry. It underscores the importance of precise reviews in utilizing artificial intelligence for improved operational efficiency, revenue optimization, and heightened customer satisfaction. Notably, supervised machine learning algorithms like Gradient Boosting, Support Vector Machine, and K-Nearest Neighbor are highlighted for offering recommendations based on reviews to predict user preferences. The research methodology involves data scraping, cleaning, preprocessing, and labeling, followed by training and testing the chosen machine learning algorithms. Results indicate that the Support Vector Machine algorithm demonstrated superior performance with accuracy 0.8553, precision 0.8433, recall 0.8553, dan F1-score 0.8424, suggesting its appropriateness for sentiment analysis in hotel reviews. The paper concludes by recommending the implementation of the Support Vector Machine model for sentiment analysis in hotel reviews in Palangka Raya, Indonesia, and proposes avenues for further industry development and enhancement.
Pelatihan Aplikasi Augmented Reality Pengenalan Buah-Buahan bagi Guru Pendidikan Anak Usia Dini (PAUD) Pandehen Kristianti, Novera; Ressa Priskila; Widiatry; Viktor Handrianus Pranatawijaya; Putu Bagus Adidyana Anugrah Putra; Nova Noor Kamala Sari; Efrans Christian; Septian Geges
Jurnal Atma Inovasia Vol. 4 No. 4 (2024)
Publisher : Lembaga Penelitian dan Pengabdian pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jai.v4i4.9437

Abstract

Pelatihan aplikasi Augmented Reality (AR) pengenalan buah-buahan ini diselenggarakan untuk guru Pendidikan Anak Usia Dini (PAUD) di Pandehen dengan tujuan meningkatkan kualitas pembelajaran dan keterampilan guru dalam memanfaatkan teknologi modern. Dalam pelatihan ini, guru-guru PAUD diperkenalkan dengan aplikasi AR yang dirancang khusus untuk membantu anak-anak mengenal berbagai jenis buah-buahan secara interaktif dan menyenangkan. Metode pelatihan meliputi sesi teori dan praktik, di mana para peserta diajarkan cara mengoperasikan aplikasi AR, memahami fitur-fiturnya, serta bagaimana mengintegrasikannya ke dalam kegiatan belajar mengajar di kelas. Hasil dari pelatihan ini diharapkan dapat meningkatkan kemampuan guru dalam menggunakan teknologi sebagai alat bantu edukatif, memperkaya pengalaman belajar anak-anak, serta menciptakan lingkungan pembelajaran yang lebih dinamis dan interaktif. Evaluasi terhadap efektivitas pelatihan dilakukan melalui observasi langsung, kuesioner, dan wawancara dengan para peserta. Ditemukan bahwa pelatihan ini secara signifikan meningkatkan pengetahuan dan keterampilan guru dalam menggunakan aplikasi AR, serta memberikan dampak positif terhadap minat dan partisipasi anak-anak dalam kegiatan belajar. Kesimpulannya, pelatihan ini berhasil mencapai tujuan yang diharapkan dan direkomendasikan untuk diterapkan secara lebih luas di berbagai lembaga pendidikan PAUD.
Chatbot Berbasis Whatsapp Teknik Informatika Universitas Palangkaraya: Rules Based System Saputra, Ferry; Handoko, Rifky Mustaqim; Putra, Wahyuni; Priskila, Ressa; Pranatawijaya, Viktor Handrianus
Jurnal Teknologi Informatika dan Komputer Vol. 10 No. 1 (2024): Jurnal Teknologi Informatika dan Komputer
Publisher : Universitas Mohammad Husni Thamrin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37012/jtik.v10i1.2111

Abstract

Penelitian ini membahas pengembangan Chatbot Berbasis WhatsApp dengan Rules Based System untuk Teknik Informatika Universitas Palangkaraya. Dengan menerapkan aturan yang telah dirumuskan berdasarkan studi literatur dan kebutuhan pengguna, chatbot ini mampu merespon pertanyaan dan permintaan pengguna secara tepat dan konsisten. Selain itu, pemanfaatan API dari OpenAI, Optical Character Recognition (OCR), dan file CSV untuk menyimpan data turut mendukung pengembangan chatbot ini. Dengan adopsi teknologi yang lengkap, chatbot dapat memberikan respon kompleks dan kontekstual terhadap permintaan pengguna tanpa perlu menentukan aturan secara manual. Hasil penelitian ini memberikan gambaran tentang potensi chatbot dalam meningkatkan interaksi antara pengguna dan sistem informasi, dengan ini akan membantu para mahasiswa, dosen, dan pihak-pihak terkait pada Teknik Informatika Universitas Palangkaraya.
Analisis Sentimen Berbasis Aspek pada Ulasan Aplikasi Gojek Rahman, Resha Ananda; Pranatawijaya, Viktor Handrianus; Sari, Nova Noor Kamala
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.8922

Abstract

Penggunaan aplikasi mobile meningkat pesat di era digital, termasuk Gojek, aplikasi populer di Indonesia yang menyediakan layanan transportasi, pesan antar makanan, dan pembayaran digital. Ulasan pengguna di Play Store menunjukkan berbagai masalah yang memerlukan perhatian. Ulasan ini memberikan wawasan tentang pandangan pengguna, memungkinkan identifikasi masalah, dan pengembangan layanan. Dengan teknik Aspect Based Sentiment Analysis (ABSA), pandangan pengguna dapat dipahami lebih baik, membantu evaluasi dan perbaikan aplikasi Gojek untuk meningkatkan kualitas layanan dan kepuasan pengguna. Penelitian ini bertujuan menganalisis sentimen berdasarkan aspek-aspek dalam ulasan pengguna aplikasi Gojek di Play Store dalam bahasa Inggris, dengan mencari pola sentimen yang akurat dan mengidentifikasi aspek yang perlu diperbaiki. Data diambil dari ulasan pengguna aplikasi Gojek di Google Play Store. Teknik pemodelan topik Latent Dirichlet Allocation (LDA) digunakan untuk mengidentifikasi topik-topik relevan. Pelabelan sentimen dilakukan menggunakan model BERT, sementara evaluasi sentimen dan aspek dilakukan dengan model distilbert-base-uncased-finetuned-sst-2-english. Hasil menunjukkan bahwa model BERT mencapai akurasi tertinggi untuk sentimen sebesar 96.67% dan aspek Service sebesar 98.78%. Terdapat ruang untuk perbaikan terutama pada aspek user experience, service, dan payment. Faktor-faktor yang mempengaruhi akurasi termasuk distribusi sentimen, jumlah data, preprocessing, dan model yang digunakan. Mobile app usage is increasing rapidly in the digital era, including Gojek, a popular app in Indonesia that provides transportation, food delivery, and digital payment services. User reviews in the Play Store indicate various issues that require attention. These reviews provide insight into user views, enabling problem identification and service development. With the Aspect Based Sentiment Analysis (ABSA) technique, user views can be better understood, helping evaluate and improve the Gojek application to improve service quality and user satisfaction. This research aims to analyze sentiment based on aspects of user reviews of the Gojek application on the Play Store in English by finding accurate sentiment patterns and identifying aspects that need to be improved. The data was taken from user reviews of the Gojek application on the Google Play Store. Latent Dirichlet Allocation (LDA) topic modeling technique was used to identify relevant topics. Sentiment labeling was performed using the BERT model, while sentiment and aspect evaluation were performed with the distilbert-base-uncased-finetuned-sst-2-english model. The results showed that the BERT model achieves the highest accuracy for sentiment at 96.67% and Service aspects at 98.78%. There is room for improvement, especially in the user experience, service, and payment aspects. Factors affecting accuracy include sentiment distribution, amount of data, preprocessing, and the model used.
Analisis Sentimen dan Emosi dari Ulasan Google Maps Untuk Layanan Rumah Sakit di Palangka Raya Menggunakan Machine Learning Angel, Aprilia Christyana Tri; Pranatawijaya, Viktor Handrianus; Widiatry, Widiatry
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.8924

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen dan emosi dari ulasan Google Maps untuk layanan rumah sakit di Palangka Raya menggunakan machine learning. Data yang digunakan dalam penelitian ini adalah ulasan dari Google Maps untuk 11 rumah sakit di Palangka Raya. Data diolah dengan preprocessing untuk membersihkan dan mempersiapkan data untuk analisis. Selanjutnya, data diklasifikasikan berdasarkan sentimen (positif, negatif, netral) dengan VADER (Valence Aware Dictionary and Sentiment Reasoner) dan emosi (seperti marah, senang, sedih, dll) menggunakan NRC Lexicon. Algoritma yang digunakan dalam penelitian ini adalah K-Nearest Neighbors (KNN), Logistic Regression, dan Decision Tree. Hasil penelitian menunjukkan bahwa ketiga algoritma tersebut memiliki performa yang berbeda-beda ketika mengklasifikasikan sentimen dan emosi dari ulasan. Algoritma Decision Tree memiliki akurasi tertinggi yaitu 92%, diikuti dengan Logistic Regression dengan akurasi 86%, dan KNN dengan akurasi 48%. Penelitian ini menunjukkan bahwa machine learning dapat digunakan untuk menganalisis sentimen dan emosi dari ulasan pada Google Maps dengan baik. This research aims to analyze the sentiment and emotion from reviews on Google Maps for hospital services in Palangka Raya using machine learning. The data used in this research was reviews from Google Maps for 11 hospitals in Palangka Raya. The data was processed using preprocessing to clean and prepare the data for analysis. Furthermore, the data was classified based on the sentiments (positive, negative, neutral) with VADER (Valence Aware Dictionary and Sentiment Reasoner) and emotions (such as angry, happy, sad, etc.) using NRC Lexicon. The algorithms used in this research are K-Nearest Neighbors (KNN), Logistic Regression, and Decision Tree. The research results show that the three algorithms have different performances when classifying sentiment and emotion from reviews. The Decision Tree algorithm has the highest accuracy of 92%, followed by Logistic Regression with an accuracy of 86%, and KNN with an accuracy of 48%. This research shows that machine learning can be used to analyze sentiment and emotion from reviews on Google Maps well.
Analisis Sentimen Pengguna Media Sosial X terhadap Perubahan Harga Bitcoin: Pendekatan Machine Learning Savero, Joshua Evan; Pranatawijaya, Viktor Handrianus; Christian, Efrans
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.9043

Abstract

Media sosial X menjadi gudang data yang dapat dimanfaatkan untuk memperoleh wawasan mengenai sentimen publik dan potensi yang berdampak pada harga cryptocurrency. Dalam beberapa tahun terakhir, bitcoin menjadi pusat perhatian sebagai bentuk investasi yang menarik bagi para pelaku pasar.  Bitcoin (BTC) sering kali ditandai dengan tingkat volatilitas yang tinggi dan harganya menunjukkan kenaikan dan penurunan yang ekstrem dalam jangka waktu yang singkat. Dengan menganalisis tweet pengguna media sosial X, penelitian ini bertujuan untuk meneliti hubungan antara sentimen yang diungkapkan oleh pengguna media sosial X dan perubahan harga bitcoin. Data set yang digunakan dalam penelitian ini yaitu dataset pelatihan model yang terdapat di laman Kaggle dan dataset pengujian yang dikumpulkan dari tweet media sosial X berdasarkan tanggal terjadinya golden cross dan death cross. Data set akan melalui teknik preprocessing data, klasifikasi sentimen positif, negatif, dan netral menggunakan VADER. Pembangunan model menggunakan algoritma naïve bayes dan support vector machine. Hasil penelitian ini memperoleh model support vector machine memiliki kinerja terbaik terhadap keakuratan model dalam klasifikasi sentimen dengan accuracy sebesar 95.92%, ketepatan model dalam memprediksi nilai positif dengan tingkat precision sebesar 95.89%, tingkat usaha dalam menemukan informasi kembali dengan tingkat recall sebesar 95.92%, dan presentasi nilai bobot dari nilai precision dengan nilai recall pada f1-score sebesar 95.89%. Akan tetapi, dalam memprediksi sentimen lima dataset pengujian yang diberikan menggunakan model yang telah dilatih ditemukan algoritma naïve bayes memiliki persentase lebih tinggi yaitu 80% dalam memperoleh hasil yang sesuai antara sentimen positif untuk kondisi golden cross dan sentimen negatif untuk kondisi death cross. Social media X is a data warehouse that can be utilized to gain insight into public sentiment and its potential impact on cryptocurrency prices. In recent years, Bitcoin has become the center of attention as an attractive form of investment for market players. Bitcoin (BTC) is often characterized by high levels of volatility and its price exhibits extreme rises and falls over short periods of time. By analyzing the tweets of social media user X, this study aims to examine the relationship between the sentiment expressed by social media user X and changes in Bitcoin prices. The dataset used in this research is the model training dataset found on the Kaggle page and the testing dataset collected from X's social media tweets based on the dates of the golden cross and death cross. The dataset will go through data preprocessing techniques, classifying positive, negative and neutral sentiment using VADER. Model construction uses the Naïve Bayes algorithm and Support Vector Machine. The results of this research show that the Support Vector Machine model has the best performance regarding model accuracy in sentiment classification with an accuracy of 95.92%, model accuracy in predicting positive values ​​with a precision level of 95.89%, level of effort in finding information again with a recall rate of 95.92%, and presentation of the weighted value of the precision value with the recall value on the f1-score of 95.89%. However, in predicting the sentiment of the five test datasets provided using the trained model, it was found that the Naïve Bayes algorithm had a higher percentage, namely 80%, in obtaining results that matched positive sentiment for the golden cross condition and negative sentiment for the death cross condition.
Machine Learning untuk Memprediksi Jumlah Penjualan, Stok dan Jumlah Tanam Hasil Pertanian Hidroponik Frira Sesilia; Viktor Handrianus Pranatawijaya; Ressa Priskila
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.9055

Abstract

Hidroponik Tilung Farm, usaha budidaya tanaman di Palangka Raya, sering mengalami kesulitan dalam memprediksi data stok, transaksi, dan jumlah tanam yang optimal. Sebelumnya, data ini hanya digunakan untuk melihat hasil penjualan. Penelitian ini bertujuan untuk memprediksi data tersebut dengan akurat menggunakan machine learning. Metode penelitian meliputi pengumpulan data dengan studi pustaka, wawancara, dan observasi. Data stok, transaksi, dan jumlah tanam diolah dengan machine learning menggunakan algoritma regresi linear dan support vector machine. Hasil penelitian menunjukkan bahwa algoritma regresi linear menghasilkan nilai terkecil untuk MSE, MAE, dan MAPE dalam memprediksi data stok, transaksi, dan jumlah tanam. Kesimpulannya, algoritma regresi linear lebih baik dalam memprediksi data tersebut dibandingkan dengan algoritma support vector machine. Penelitian ini membantu Hidroponik Tilung Farm dalam mengelola stok, transaksi, dan jumlah tanam secara optimal, sehingga meningkatkan efisiensi dan keuntungan. Tilung Farm Hydroponics, a plant cultivation business in Palangka Raya, often experiences difficulties in predicting optimal stock data, transactions, and planting quantities. Previously, this data was only used to view sales results. This research aims to predict this data accurately using machine learning. Research methods include data collection by literature study, interviews, and observation. Stock, transaction, and number of planting data are processed using machine learning using linear regression algorithms and support vector machines. The research results show that the linear regression algorithm produces the smallest values ​​for MSE, MAE, and MAPE in predicting stock, transaction, and number of planting data. In conclusion, the linear regression algorithm is better at predicting this data compared to the support vector machine algorithm. This research helps Tilung Farm Hydroponics in managing stock, transactions and planting quantities optimally, thereby increasing efficiency and profits.
Co-Authors -, Rendy Swanda Narastu ., Widiatry ., Widiatry ., Yukandri Admi Ruth Sinana Adonis Jethro Patianom Agus Sehatman Saragih Agustin, Ria Ahmad Abdul Hadi Ainah, Saripah Alfian Rizaldi Alwinda Megawati Yogiswari Amazon, Firlo Anak Agung Istri Sri Wiadnyani Andini, Wafik Angel, Aprilia Christyana Tri Anugrah Putra, Putu Bagus Adidyana Anugrahnu, Dian Putra Aprilia, Salsabila Aprilian, Rivan Aprimikardo, Aprimikardo Arya Bima Mohammad Heriansyah Aryabimo, Agsa Rakha Baghaskara, Ghiraldi Bernady, Delon Candra Wijaya, Candra Candrawati, Nuri Christie, Sagita Amaria Christina, Sherly Debora, Jessica Kurnia DWI SURYANTO Edi Rusadi Efrans Christian Fajari, Rizqi Farhani Farhani Farhani, Farhani Felicia Sylviana Ferdinan, Bryan Desmonda Firdo, Daud Firlo Amazon Florensia, Nela Puspita Frira Sesilia Gavin Berylian Josepto Gunawan, Vincentius Abdi Handoko, Rifky Mustaqim Handoko, Rifky Mustaqim Handoko Haridjaya, Ezra Janitra Hariyadi Hariyadi Hariz Kurniawan Hefi Kristianto Hendra Yulianto Hidayat, Febrian Nur Jama, Luniko Jordi Irawan Jovito, Felik Rolantius Kalawa Putri, Maria Ramanda Kelvin Wijaya, Kelvin Khotimah, Yusie Nur Chusnul Kristianti, Novera Kristianto, Hefi Lena, Martha Leonardo, Tomas Lia Nelda Lisa Lisa Lisa Lisa, Lisa Magnus, Thomas Zugildo Maharani, Audry Marhayu Marhayu Marhayu, Marhayu Martha lena Marvin Donald Richardo Aronggear Masitoh, Reina Dewi Maulana, Ferdy Afriza Melisa Tryastie Muhamad Rafliansyah Nadya Revelin Putri Nasution, Annio Indah Lestari Natalius Natalius Natalius, Natalius Nela Puspita Florensia Nelda, Lia Nova Noor Kamala Sari Nova Noor Kamalasari Novia Fitriani Nurdin Nurdin Patianom, Adonis Jethro Patimah, Yulia Permana, Ananda Aji Ivan Pratama, Ferdha Alif Priskila, Ressa Purmasari Puspitarani, Siska Putra, Bima Faru Rochkim Putra, Putu Bagus A.A. Putra, Putu Bagus Adidyana Anugrah Putra, Rholand Deo Eka Putra, Wahyuni Putri, Oktaviani Enjela Rafif Dhia Yusrana Rahman, Resha Ananda Ramadhani, Aditya Ananda Rendy Saputra Ressa Priskila Ressa Priskilla Rinaldi Rizwar Rizaldi, Alfian Rizky Aditya Ronaldo, Deddy Rusadi, Edi Ryan Delon Pratama Sadarman Zai Sahay, Abertun Sagit Saputra, Ferry Saputra, Muhammad Dwi Saputra, Rizal Wahyu Saputra, Septian Dwi Savero, Joshua Evan Septian Geges Septian Geges Sriyanto, Naufal Ihsan Syahrohim, Imam Tanciang, Tanciang Tomas Leonardo Tri Amri Wijaya Tryastie, Melisa Wahyuni Putra Wandri Bungkam Wandri Bungkam Widiatry Widiatry, Widiatry Widyasari, Yolantya Wijaya, Tri Amri Willy Azrieel Yogiswari, Alwinda Megawati Yosepha, Elsa Yukandri Yulia Patimah