Article Per Year (5 Year)
p-Index From 2021 - 2026
3.939
P-Index
This Author published in this journals
All Journal JITEK (Jurnal Ilmiah Teknosains) Jusikom : Jurnal Sistem Komputer Musirawas Martabe : Jurnal Pengabdian Kepada Masyarakat Jurnal Informatika Global Jurnal Ilmiah Binary STMIK Bina Nusantara Jaya Building of Informatics, Technology and Science Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Jurnal Nasional Ilmu Komputer Jurnal Pengembangan Sistem Informasi dan Informatika Jurnal Abdimas Bina Bangsa Jurnal Media Informatika Abdiformatika: Jurnal Pengabdian Masyarakat Informatika Ngabdimas : Pengabdian Pada Masyarakat Informatics and Enginering Dedication Digital Transformation Technology (Digitech) Knowbase : International Journal of Knowledge in Database Ngabdimas
Masdalipa, Risnaini
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Education Electrical & Electronics Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Mathematics Mechanical Engineering Social Sciences Veterinary Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Digital Transformation Technology (Digitech)

 1 
Optimasi Support Vector Machine Untuk Optimasi Budidaya Jeruk Gerga Dengan Particle Swar Optimazation (PSO) Masdalipa, Risnaini; Nurmaleni, Nurmaleni
Digital Transformation Technology Vol. 5 No. 1 (2025): Periode Maret 2025
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v5i1.6101

Abstract

Tujuan dari penelitian ini adalah melakukan optimasi support vector machine dengan particle swarm optimization untuk optimalisasi Budidaya Jeruk Gerga Kota Pagar Alam. Dalam penelitian ini, peneliti melakukan klasifikasi tehadap data budidaya jeruk gerga Kota Pagar Alam dari tahun 2017 sampai tahun 2021 dengan menggunakan 2 (dua) pemodelan support vector machine bisa dan support vector machine berbasis particel swarm optimization. Data budidaya jeruk gerga yang dingunakan sebagai atribut antara lain pH tanah, curah hujan, suhu, elevasi, pupuk (Pupuk kandang, Urea, Npk, dan ZR) dan obat-obatan (Fungisida, Korakron, dan Stadium) yang merupakan indikator dalam melakukan budidaya jeruk gerga. Dalam hal ini, peneliti berhasil mendapatkan akurasi, presicin dan recall dari kedua pemodelan tersebut menggunakan Google Colab dengan bahasa pemrograman python. Dimana Support Vector Machine biasa mendapatkan akurasi sebesar 0,73, presicion 0,64, dan recall 0,73 sedangkan Support Vector Machine bebasis Particel Swarm Optimization mendapatkan akurasi 0,9, presicion 1.0 dan recall 0,75. Dalam hal ini bisa diketahui bahwa Particel Swarm Optimization berhasil melakukan optimasi tehadap pemodelan Support Vector Machine dengan peningkatan akurasi sebesar 17%.
Estimasi Produksi Kelapa Sawit PT. Arta Prigel Lahat Menggunakan Algoritma Deep Learning Susanti, Tri; Masdalipa, Risnaini
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.7807

Abstract

Permasalahan utama dalam produksi kelapa sawit di PT Arta Prigel Lahat adalah ketidakseimbangan antara hasil panen, luas lahan, dan jumlah tanaman, yang menyulitkan proses prediksi secara akurat. Penelitian ini bertujuan untuk mengestimasi produksi kelapa sawit di perusahaan tersebut dengan memanfaatkan algoritma deep learning, yaitu Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM). Metode yang digunakan mengacu pada pendekatan CRISP-DM, yang meliputi tahap pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penyebaran. Data historis tahun 2022–2024 digunakan sebagai dasar analisis, dengan mempertimbangkan variabel seperti curah hujan, hari hujan, pemupukan rotasi 1 dan 2, luas lahan, jumlah tanaman, dan serangan hama. Evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE) menunjukkan bahwa model RNN memiliki nilai kesalahan sebesar 28,29% dengan estimasi produksi 11.293,25 kg, sedangkan model LSTM memiliki MAPE sebesar 16,27% dengan estimasi 17.503,60 kg. Hasil ini menegaskan bahwa model LSTM lebih unggul dalam mengenali pola jangka panjang dan menghasilkan prediksi yang lebih akurat, sehingga berpotensi menjadi alat bantu strategis dalam perencanaan produksi kelapa sawit yang adaptif, presisi, dan berbasis data.
Co-Authors A. Haidar Mirza Alfis Arif Asminah Asminah Asminah, Asminah Barrorotul Azizah Bhebeind Aryanto Phubenast Debi Guzmaliza debigusmaliza debi Dedi Setiadi destaria erika Dhiniati, Fameira Edowinsyah Edowinsyah, Edowinsyah Endang Etriyanti Ferry Putrawansyah Fitria Rahmadayanti Gusmaliza, Debi Inda Anggraini Muhammad Izman Herdiansyah Muntari, Siti Nurmaleni, Nurmaleni Panyahuti Matondang Puspita, Desi Sasmita Sasmita Syahri, Riduan TRI SUSANTI Yadi, Yadi