Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal Sistem Informasi Kaputama (JSIK)
Roni Yunis
STMIK Mikroskil
Computer Science & IT Education Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS DAN PERANCANGAN APLIKASI MOBILE LET’SING Silaen, Dika Jur Aeini; Yunis, Roni; Sembiring, Salsalina Br
Jurnal Sistem Informasi Kaputama (JSIK) Vol. 6 No. 2 (2022): Volume 6, Nomor 2, Juli 2022
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jsik.v6i2.196

Abstract

Let’sing merupakan perancangan antarmuka aplikasi mobile yang bergerak dibidang tarik suara. Kegiatan pencarian guru vokal masih memakan waktu cukup lama, sulitnya menentukan kesesuaian tempat dan waktu antara guru vokal dan murid, kurangnya informasi tentang kemampuan seorang guru vokal tersebut sehingga kriterianya tidak sesuai dengan yangdiiginkan. Metodologi yang digunakan untuk menganalisis masalah dan mencari solusi permasalahan adalah metodologi design sprint yang memiliki 5 tahapan yaitu understand, diverge, decide, prototype, validate. Oleh karena itu, untuk membantu permasalahan tersebut penulis membuat rancangan baru yang membantu memudahkan pencarian guru vokal. Hasil dari analisis dan perancangan aplikasi mobile let’sing diharapkan dapat membantu murid mendapatkan informasi kriteria dan kemampuan berupa biodata, pengalaman, prestasi dan cara mengajar dari guru vokal dan dapat mempersingkat waktu pencarian dan pemesanan.
Enhancing Rice Production Prediction: A Comparative Machine Learning Analysis of Climate Variables Yunis, Roni; Sudarto; Adiputra Pardosi, Irpan
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 13 No. 1 (2024)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v13i1.71527

Abstract

This study aims to enhance rice production prediction through a comparative analysis of machine learning models utilizing climate variables. Eight models were assessed on a predetermined dataset, with Support Vector Regression (SVR) emerging as the top performer. Following the identification of significant climate variables influencing rice production, the models underwent evaluation using two hyperparameter approaches: random search and manual tuning. SVR outperformed other models, achieving impressive metrics with MAE 0.180, MSE 0.186, RMSE 0.431, and an exceptionally low MAPE of 0.020. Key factors influencing rice production included productivity and area, along with humidity, rainfall, temperature, wind velocity, and sunshine duration. Favorable conditions for rice output encompassed low humidity, moderate rainfall, increased wind speed, and prolonged sunshine, while rainfall and temperature exhibited minimal impact. The success of random search emphasizes the importance of effective hyperparameter tuning. This research provides valuable insights for enhancing rice production prediction.
Co-Authors Irpan Pardosi Kristian Telaumbanua Sembiring, Salsalina Br Silaen, Dika Jur Aeini Sudarto