Claim Missing Document
Check
Articles

Found 6 Documents
Search

PENGGUNAAN ALGORITMA GEOSHASHING DALAM PENCARIAN LETAK INFORMASI GEOGRAFIS PENGGANTI KOOORDINAT LATITUDE DAN LONGITUDE Firdaus, Fajar; Hadiana, Asep Id; Ramadhan, Edvin
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 9 No 2 (2024): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v9i2.4848

Abstract

Dalam era digital saat pencarian data geografis menjadi semakin penting dalam aplikasi lokasi, termasuk pemetaan, navigasi, dan analisis lingkungan tempat dalam suatu lokasi. algoritma geohashing menawarkan pendekatan yang efisien untuk pengkodekan dan menyimpan data geografis dalam format string,String ini menggunakan alfanumerik yang dihasilkan oleh geohashing dari angka dan huruf dalam pencarian titik lokasi dengan koordinat, hal ini juga dapat menawarkan lapisan akses dari data lokasi yang sensitif. Penelitian ini bertujuan untuk mengeksplorasi penerapan algoritma geohashing dalam manajemen data geografis. algoritma geohashing dalam pencarian letak informasi geografis sebagai alternatif pengganti koordinat latitude dan longitude. Secara khusus, penelitian ini menganalisis efisiensi geohashing dalam kompresi data, akurasi lokalisasi penggunaan geohashing memungkinkan pengelompokan data geografis yang lebih baik, dan mendukung pencarian data spasial seperti pencarian letak lokasi dan pencarian titik koordinat dalam wilayah tertentu. algoritma geohashing diimplementasikan dalam data geografis dan diuji untuk berbagai skenario pencarian. Dari hasil penelitian menunjukkan bahwa geohashing dapat meningkatkan kecepatan pencarian informasi geografis secara signifikan algoritma geohashing membuktikan tindakan sebagai alat yang efektif dalam manajemen dan pencarian data geografis,pada pencarian data koordinat lokasi ini juga dapat memberikan alternatif untuk mendapatkan latitude dan longitude dari suatu lokasi. Hasil penelitian menunjukkan bahwa geohashing dapat meningkatkan kecepatan pencarian informasi geografis secara signifikan, terutama dalam menjangkau suatu lokasi dengan level grid kotak data yang kecil dan besar sesuai karakter string yang dimasukan. Penggunaan geohashing tidak hanya meningkatkan efisiensi dan kecepatan pencarian tetapi juga memberikan manfaat tambahan dalam hal pengelolaan dan perlindungan data geografis.algoritma geohashing adalah metode yang digunakan untuk mengkodekan koordinat geografis yang menghasilkan lokasi acak.Pengujian pada sistem ini dilakukan dengan cara melakukan akses geografis kepada API aplikasi lokasi yang sudah dibuat sesuai permintaan yang diminta untuk mendapatkan informasi data geografis dan titik lokasi.
PREDIKSI PENYAKIT STROKE MENGGUNAKAN METODE K-NEAREST NEIGBORS DAN INFORMATION GAIN Nabiel Syahreza, Fabian; Nurul Sabrina, Puspita; Ramadhan, Edvin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11427

Abstract

Stroke adalah penyebab utama kecacatan global, dengan lebih dari 12 juta kasus baru setiap tahunnya menurut WHO. Kondisi ini ditandai oleh defisit neurologis yang berkembang cepat dan dapat berlangsung lama atau menyebabkan kematian. Untuk memprediksi risiko stroke secara akurat, penelitian ini mengembangkan model prediksi menggunakan metode K-Nearest Neighbors (KNN) yang digabungkan dengan Information Gain (IG). KNN, yang mengklasifikasikan data berdasarkan kesamaan fitur, dioptimalkan melalui seleksi fitur menggunakan IG untuk memilih fitur yang paling relevan. Hasil evaluasi menunjukkan bahwa model KNN yang mengintegrasikan IG mencapai akurasi tertinggi 99,85% dengan 5 fitur terpilih (hypertension, avg_glucose_level_category, heart_disease, ever_married, work_type) dan nilai k=25, dibandingkan dengan akurasi 88,46% dari model KNN tanpa IG. Akurasi tinggi ini didukung oleh precision 99,71%, recall 100%, dan F1-Score 99,86%, yang menegaskan efektivitas IG dalam meningkatkan performa model KNN. Penelitian ini menunjukkan bahwa integrasi IG secara signifikan meningkatkan akurasi prediksi risiko stroke dengan memilih fitur-fitur yang paling relevan.
Klasterisasi Akademik Prestasi Siswa Di Mts Nurul Hidayah Menggunakan Algoritma K-Means Firdaus, Muhammad Fauzi; Abdillah, Gunawan; Ramadhan, Edvin
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 8 (2025): JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i8.4233

Abstract

Di dunia pendidikan seringkali terjadi permasalahan bagaimana cara menentukan tingkat prestasi murid dengan kategori rendah, cukup, dan tinggi serta menemukan top rank murid unggulan dalam kelas. Dalam hal ini data miningdengan pendekatan K-Means Clustering dapat digunakan untuk mengelompokkan data menjadi kumpulan data. Dalam sistem analisis, pendekatan data miningberdasarkan algoritma K-Means dapat digunakan untuk pengelompokan prestasi murid. Dalam penelitian ini data nilai siswa kelas VII-IX MTs Nurul Hidayah tahun 2021-2024, dari semester ganjil sampai genap dikelompokkan berdasar nilai rapor. Clustering digunakan dalam pembangunan program analitik ini untuk menilai dampak data murid terhadap kecenderungan keberhasilan murid di setiap kelompok yang dapat dibuktikan dengan kelulusan murid yang menduduki top rank serta dari hasil wawancara guru pengajar maupun wali kelas serta data nilai yang diperoleh dari Dapodik. Hasil dari penelitian ini membuktikan bahwa teknik clustering K-Means dapat dimanfaatkan oleh pengajar untuk mengkategorikan murid berdasarkan nilai mata pelajaran dan absensi, serta menggunakannya untuk menganalisis prestasi murid dengan mengelompokkan dari kategori prestasi rendah, rata-rata, dan tinggi. Dengan adanya sistem clastering ini, pihak sekolah dapat dengan lebih mudah mengidentifikasi siswa yang memerlukan bimbingan tambahan serta mengembangkan strategi pembelajaran yang lebih tepat sasaran.
Analisis Tren dan Prediksi Penjualan Restoran Menggunakan Model Time Series Prophet Hidayat, Kiki; Witanti, Wina; Ramadhan, Edvin
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/gd8y7q29

Abstract

Daily sales forecasting is a critical component of business planning that must adapt to the dynamics of market demand. While traditional approaches such as Single Moving Average and Trend Moment have been used in previous studies, their predictive accuracy on daily sales often remains suboptimal, with reported MAPE values up to 39.2%. Prophet, a time series model developed by Meta, offers enhanced flexibility in capturing non-linear trends, seasonality, and incorporating external regressors. This study proposes a hybrid forecasting model by combining Prophet with engineered features and external regressors, including calendar effects and recent sales statistics. The dataset consists of daily sales records that have undergone data cleaning, logarithmic transformation, and smoothing. Prophet is configured with additional monthly seasonality, national holiday indicators, and optimized parameters through grid search. Evaluation results demonstrate a substantial improvement, with the final model achieving an R² score of 0.9787 and a MAPE of 3.79%, outperforming conventional methods and aligning with the best results from recent Prophet-based studies. These findings confirm that the integration of external variables within Prophet significantly improves prediction accuracy, making it suitable for time series forecasting in various business domains with similar data patterns.
Pengelompokkan Pola Perubahan Cuaca Menggunakan Metode K-Medoids dan Gap Statistic Julianthy, Denissya; Hadiana, Asep Id; Ramadhan, Edvin
Building of Informatics, Technology and Science (BITS) Vol 7 No 2 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i2.7824

Abstract

Clustering daily weather patterns is an important process for understanding complex weather variations. However, commonly used methods such as K-Means have weaknesses due to their sensitivity to outliers and the need for manual clustering. This study proposes a combination of the K-Medoids and Gap Statistics methods to produce more stable and accurate clusters. Semarang's daily weather data from 2017 to 2023 was processed through cleaning, standardization with Standard Scaler, and dimensionality reduction using PCA. The Gap Statistics results indicate the optimal number of clusters is three: rainy, sunny, and cloudy. The clustering evaluation yielded a Silhouette Score of 0.3793, a Calinski-Harabasz Index of 1490.5604, and a Davies-Bouldin Index of 0.9031. These results indicate a fairly good cluster structure, although there is still room for improvement, especially in the separation between clusters.
Klasifikasi Churn Dengan Algoritma Xgboost Menggunakan Feature Selection Boruta-Shap Hadi Sakaro, Dwi Wahyu Kuncoro; Shabrina, Puspita Nurul; Ramadhan, Edvin
Building of Informatics, Technology and Science (BITS) Vol 7 No 2 (2025): September 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i2.7965

Abstract

Customer churn is a critical issue for telecommunications companies, as it directly impacts revenue and business sustainability. This study proposes the development of a churn prediction model using the Extreme Gradient Boosting (XGBoost) algorithm combined with the Boruta feature selection method and SHAP (SHapley Additive exPlanations)-based feature interpretation. The dataset used is the Telco Customer Churn dataset from Kaggle, consisting of 7,043 customer records and 21 features. The research stages include data preprocessing, data transformation, an 80:20 train-test split, data balancing using SMOTE, feature selection with Boruta, feature interpretation with SHAP, and classification using XGBoost. The model’s performance was evaluated using accuracy, precision, recall, and F1-score metrics. Results show that the XGBoost model with Boruta-SHAP (Model B) achieved an accuracy of 0.7576, slightly higher than the model without feature selection (Model A), which achieved 0.7512. Model B also demonstrated improved performance for the majority class (non-churn), with recall increasing from 0.76 to 0.79 and F1-score from 0.82 to 0.83. However, for the minority class (churn), recall decreased from 0.72 to 0.66, although precision increased from 0.52 to 0.54. These findings indicate that integrating Boruta-SHAP can enhance model efficiency and interpretability, but additional strategies are required to maintain performance for the minority class.