Article Per Year (5 Year)
p-Index From 2021 - 2026
2.844
P-Index
This Author published in this journals
All Journal Jurnal Transformatika CESS (Journal of Computer Engineering, System and Science) Jurnal Ilmiah Sinus Journal of Information Systems and Informatics JITU : Journal Informatic Technology And Communication Information System Journal (INFOS) Bulletin of Computer Science Research Adopsi Teknologi dan Sistem Informasi Tematik The Indonesian Journal of Computer Science Jurnal DIMASTIK
Ahmad Rifa’i
Fakultas Teknologi Informasi dan Komunikasi, Universitas Semarang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Library & Information Science Social Sciences

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : jurnal transformatika

 1 
Random State Parameter Undersampling untuk Penanganan Data dengan Kelas Tidak Seimbang pada Algoritme Random Forest Setiaji, Galet Guntoro; Suntoro, Joko; Rifa'i, Ahmad
Jurnal Transformatika Vol. 21 No. 2 (2024): Januari 2024
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v21i2.8901

Abstract

Algoritme Random Forest (RF) sangat populer digunakan pada metode klasifikasi karena waktu learning yang cepat, mampu melakukan pembobotan pada variabel, dan kinerja yang sangat baik pada dataset berukuruan besar, namun algoritme RF mempunyai performa yang buruk saat menangani data dengan kelas tidak seimbang. Data dengan kelas tidak seimbang adalah jumlah data pada kelas tertentu lebih banyak dibandingkan dengan jumlah data pada kelas lainnya. Undersampling (US-RF) adalah salah satu metode yang digunakan untuk penanganan data dengan kelas tidak seimbang, namun metode undersampling akan memilih dan mereduksi data secara acak pada kelas mayoritas sehingga berakibat hilangnya data yang berpotensi berguna. Untuk menghindari hilangnya data yang berpotensi berguna tersebut karena dipilih secara acak, maka akan diterapkan penetapan nilai random state pada metode undersampling. Metode yang diusulkan diberi nama random state parameter undersampling Random Forest (RSUS-RF). Dalam penelitian ini akan dibandingkan antara metode RF, US-RF dan RSUS-RF. Hasil penelitian menunjukkan nilai rata-rata akurasi metode RSUS-RF lebih tinggi dibandingkan dengan metode RF dan US-RF dengan nilai rata-rata akurasi metode RSUS-RF sebesar 0.8259, sedangkan nilai rata-rata akurasi metode RF dan metode US-RF sebesar 0.8035 dan 0.7945. Serta terdapat perbedaan secara signifikan diantara ketiga metode tersebut ketika diuji menggunakan Friedman Test dengan nilai p-value adalah 0.005. 
Credit Risk Modeling Based on Geographical Location: A Case Study of Savings and Loan Cooperatives Widodo, Edi Widodo,; Rifai, Ahmad; Buana, Pratama Angga
Jurnal Transformatika Vol. 22 No. 1 (2024): July 2024
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v22i1.9710

Abstract

The aim of this study is to examine how geographical location affects the credit risk faced by savings and loan cooperatives. Using a quantitative approach, this research will develop a credit risk model that considers geographical variables,measured by the Human Development Index (HDI). The initial stage of the research involves classifying the credit dataset according to the categoriesdetermined by Bank Indonesia. The data cleansing process resulted in attributes such as credit ceiling, HDI, and credit category. Analysis was conducted using Chi-Square, and Logistic Regression methods. The Chi-Square analysis results showed  statistically significant relationship between credit ceiling, HDI, and credit category (p-value < 0.05). The Logistic Regression models demonstrated high accuracy in classifying the data, with Logistic Regression achieving 89.71%. In conclusion, credit ceiling and HDI have a significant influence on credit category, with the Logistic Regression model data classification. This study provides valuableinsights into how credit ceiling and HDI influence credit categories, which can be used to make better decisions related to public policy, developmentplanning, and social interventions
GA-SVM Wrapper Feature Selection untuk Penanganan Data Berdimensi Tinggi Rifa'i, Ahmad; Suntoro, Joko; Setiaji, Galet Guntoro
Jurnal Transformatika Vol. 21 No. 2 (2024): Januari 2024
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v21i2.8886

Abstract

Peningkatan data dalam beberapa tahun terakhir ini mengalami peningkatan yang sangat signifikan karena penggunaan sosial media dan peralihan menjadi era digital. Teknik untuk pengolahan data menjadi informasi yang berguna dinamakan dengan data mining. Namun masalah yang terjadi ketika menerapkan data mining, khususnya metode klasifikasi adalah data berdimensi tinggi karena data berdimensi tinggi mempengaruhi hasil evaluasi dalam klasifikasi menjadi rendah. Data berdimensi tinggi didefinisikan sebagai data dengan jumlah fitur yang banyak dan kompleks, kompleksitas fitur mengakibatkan sulitnya memilih subset fitur yang optimal karena terdapat fitur yang tidak relevan. Dalam penelitian ini akan digunakan teknik wrapper dengan menerapkan metode metaheuristik yaitu algoritma genetika (GA) untuk pemilihan subset fitur agar lebih optimal, dan algoritma pengklasifikasi yang digunakan adalah algoritma Support Vector Machine (SVM), metode ini disebut dengan GA-SVM WFS. Hasil akurasi metode GA-SVM WFS lebih tinggi dibandingkan dengan metode SVM, dengan rata-rata hasil akurasi masing-masing sebesar 0,902 dan 0,874. Dalam penelitian ini terdapat perbedaan secara signfikan antara metode GA-SVM WFS dan metode SVM setelah dilakukan uji paired t-test dengan nilai p-value sebesar 0,01 dengan nilai α sebesar 0,05.
Co-Authors Astrid Novita Putri, Astrid Badroe Zaman Cholil, Saifur Rohman Dinar Anggit Wicaksono Eka Putri Rachmawati Galet Guntoro Setiaji Gunata, Krida Pandu Hafiq Ibnu Wardana Hakim, Adya Abdu Azizul Hanif, Mohammad Burhan Hetty Catur Ellyawati, Hetty Catur Joko Suntoro Kusumaningrum, Yulinda Maugy Al Kautsar Mohammad Burhan Hanif Pratama Angga Buana Rachmawati, Eka Putri Retno Utami, Tri Saputro, Rio Eko Siti Asmiatun, Siti Tirta Jurista Kumkandani Tirta Yurista Kumkamdani Titis Handayani Titis Handayani Vensy Vydia Victor Gayuh Utomo Widodo, Edi Widodo,