Article Per Year (5 Year)
p-Index From 2021 - 2026
2.554
P-Index
This Author published in this journals
All Journal JISICOM (Journal of Information System, Infomatics and Computing) Journal of Information System, Applied, Management, Accounting and Research Journal of Information Technology (JIfoTech) Journal of Artificial Intelligence and Digital Business Jurnal Ilmu Komputer (JIK) Journal of Computer Science Contributions (Jucosco) Prawara Jurnal Pengabdian Masyarakat
Beni Rahmatullah
Universitas Bina Sarana Informatika
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Materials Science & Nanotechnology Public Health Social Sciences

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Analisis Perbandingan Kinerja Algoritma Linear Regression, Random Forest, dan XGBoost dalam Prediksi Harga Rumah Fauzi, Muhamad Rizki; Handika, Muhamad; Awinanto, Alfian; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3620

Abstract

Penelitian ini bertujuan untuk mengembangkan dan membandingkan model prediksi harga rumah dengan menggunakan tiga algoritma, yaitu Linear Regression, Random Forest, dan XGBoost, yang memanfaatkan fitur fisik serta faktor lokasi. Variabel yang dianalisis mencakup berbagai karakteristik properti seperti ukuran tanah, luas bangunan, jumlah kamar tidur, kondisi bangunan, serta aspek lokasi seperti kedekatan dengan pusat kota dan akses ke fasilitas publik. Tahapan penelitian ini mencakup pembersihan data untuk mengeliminasi data yang tidak sesuai, transformasi variabel agar seragam, dan rekayasa fitur baru yang dapat meningkatkan ketepatan prediksi model. Hasil penelitian menunjukkan bahwa Linear Regression memberikan prediksi yang paling tepat dengan nilai RMSE terendah sebesar 1.150,87, lebih baik dibandingkan dengan Random Forest yang menghasilkan RMSE sebesar 1.183,11 dan XGBoost yang mencapai 1.200,33. Linear Regression menunjukkan keunggulan karena mampu menangani hubungan linier antar variabel dengan harga rumah. Walaupun Random Forest dan XGBoost lebih efektif untuk menangani hubungan non-linier, Linear Regression lebih optimal dalam penelitian ini karena hubungan antar variabel lebih sederhana. Penelitian ini diharapkan memberikan wawasan yang bermanfaat bagi pengembang properti dan lembaga keuangan dalam pengambilan keputusan yang lebih efisien dan akurat, serta memberikan perkiraan harga rumah yang lebih objektif. Model ini juga dapat digunakan untuk memperkirakan harga rumah di masa depan dengan lebih tepat, yang pada gilirannya dapat mengurangi ketidakpastian dalam pasar properti dan memfasilitasi pengambilan keputusan yang lebih berbasis data.
Analisis Prediksi Harga Emas Menggunakan Regresi Linear dan K-Nearest Neighbors: Studi pada Data Harga Emas Harian Periode 2014–2025 Martin, Ricky; Faisal, Faisal; Aditya, Ikhsan Nur; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3606

Abstract

Penelitian ini membandingkan kinerja dua algoritma machine learning, yaitu Regresi Linear dan K-Nearest Neighbors (KNN), dalam memprediksi harga emas berdasarkan data harga penutupan harian dari Januari 2014 hingga Januari 2025. Dataset yang digunakan diperoleh dari platform Kaggle dan merepresentasikan dinamika harga emas internasional selama sekitar sepuluh tahun, sehingga dianggap cukup representatif untuk menggambarkan pola pergerakan harga jangka panjang. Proses pra-pemrosesan data meliputi pembersihan data untuk menghapus missing values, normalisasi seluruh fitur numerik menggunakan StandardScaler, serta pembagian data menjadi 80% data latih dan 20% data uji untuk memastikan proses pelatihan dan pengujian model berjalan terukur. Model dikembangkan menggunakan bahasa pemrograman Python dengan pustaka Scikit-learn. Nilai K pada algoritma KNN ditetapkan sebesar 5 berdasarkan hasil eksperimen awal yang mempertimbangkan keseimbangan antara kompleksitas model dan kinerja prediksi. Kinerja model dievaluasi menggunakan tiga metrik utama, yaitu koefisien determinasi (R²), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Hasil pengujian menunjukkan bahwa Regresi Linear memberikan performa terbaik dengan nilai R² sebesar 0,9996, RMSE 0,0021, dan MAE 0,0008. Sebaliknya, KNN hanya mencapai R² sebesar 0,1107, RMSE 0,0834, dan MAE 0,0412. Perbedaan signifikan ini menunjukkan bahwa hubungan antara data historis harga emas dan nilai prediksinya cenderung linier dan dapat dimodelkan secara efektif oleh Regresi Linear. Sementara itu, pendekatan berbasis kedekatan tetangga seperti KNN kurang mampu menangkap pola tersebut secara optimal. Oleh karena itu, Regresi Linear lebih sesuai digunakan untuk prediksi harga emas berbasis data historis pada periode penelitian ini dibandingkan algoritma KNN.
Smart threat detector: Aplikasi pendeteksi Virus, Email, dan Link mencurigakan berbasis AI suryadih, suryadih; Ibrahim, Ibrahim; Hariyansyah, Rahmat; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3784

Abstract

Di era transformasi digital, ancaman keamanan siber berkembang semakin kompleks dan adaptif, menimbulkan risiko signifikan bagi pengguna individu maupun organisasi. Studi ini memperkenalkan Smart Threat Detector, sebuah aplikasi berbasis kecerdasan buatan yang dirancang untuk mendeteksi virus, email mencurigakan, dan tautan berbahaya secara real-time. Sistem ini memanfaatkan kombinasi teknik kecerdasan buatan, termasuk klasifikasi berbasis pembelajaran mesin, analisis teks, serta deteksi pola perilaku untuk mengidentifikasi potensi ancaman dengan tingkat akurasi yang lebih tinggi dibandingkan metode tradisional.Kata Kunci: Kecerdasan Buatan, Keamanan Siber, Deteksi Virus, Analisis Tautan, Smart Threat Detector. Aplikasi ini menerapkan pemrosesan bahasa alami (NLP) untuk menganalisis konten email dan mengidentifikasi indikasi phishing, spam, maupun manipulasi sosial. Selain itu, analisis reputasi tautan digunakan untuk mengevaluasi URL berdasarkan pola akses, struktur link, serta karakteristik yang sering ditemukan pada situs berbahaya. Mekanisme ini memungkinkan sistem untuk memberikan penilaian otomatis sebelum ancaman mencapai pengguna. Dalam pengujian, Smart Threat Detector menunjukkan performa yang konsisten dengan tingkat akurasi deteksi yang tinggi dan tingkat positif palsu yang rendah. Sistem ini juga dirancang agar adaptif terhadap variasi ancaman baru dengan memanfaatkan pembaruan model secara berkala. Selain memberikan perlindungan proaktif, aplikasi ini turut meningkatkan kesadaran pengguna melalui penyajian informasi yang jelas mengenai risiko yang terdeteksi. Inovasi ini berkontribusi pada pengembangan sistem keamanan siber cerdas yang mampu memberikan perlindungan efektif, efisien, dan responsif terhadap dinamika ancaman digital masa kini.
Sistem Informasi Terintegrasi Artificial Intelegence Menggunakan Algoritma Kmeans soma, Adityan; Habiburrahman, Tamzis; Hidayah, Arip; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3879

Abstract

Penelitian ini mengembangkan bot Telegram berbasis Python yang mengintegrasikan algoritma K-Means Clustering untuk mengelompokkan mahasiswa secara otomatis berdasarkan lima indikator akademik utama: frekuensi kehadiran, nilai tugas, nilai UTS, nilai UAS, dan nilai proyek akhir. Penggunaan library scikit-learn memungkinkan implementasi K-Means yang efisien dengan normalisasi data menggunakan StandardScaler, sementara python-telegram-bot menyediakan antarmuka interaktif yang responsif untuk input data dan tampilan hasil real-time. Pendekatan ini mengatasi keterbatasan pemantauan manual di institusi pendidikan tinggi, di mana proses pengelompokan sering lambat dan subjektif. Tujuan utama penelitian adalah menciptakan alat bantu praktis bagi dosen dan staf akademik untuk memantau performa mahasiswa dengan membagi mereka ke dalam tiga kategori jelas: Berprestasi (performa konsisten tinggi), Cukup Baik (stabilisasi sedang), dan Perlu Bimbingan (risiko kegagalan). Metodologi data mining ini memanfaatkan jarak Euclidean untuk membentuk kluster optimal (k=3), diidentifikasi melalui Elbow Method dan Silhouette Score, sehingga menghasilkan pola akademik objektif yang mendukung intervensi tepat waktu seperti bimbingan remedial atau penghargaan prestasi. Integrasi dengan pandas untuk pengolahan dataset dan rapidfuzz untuk fuzzy search nama mahasiswa meningkatkan usability bot di lingkungan mobile. Implementasi bot Telegram menawarkan keunggulan aksesibilitas tinggi, di mana pengguna cukup mengirim perintah sederhana seperti "/klasifikasi [NIM]" untuk mendapatkan visualisasi kluster, statistik deskriptif per kategori, dan rekomendasi tindak lanjut dalam hitungan detik tanpa perlu software tambahan. Evaluasi pada dataset 200 mahasiswa nyata menunjukkan akurasi 92% dibandingkan label manual, dengan konvergensi K-Means rata-rata 8 iterasi dan waktu respons bot di bawah 2 detik.  
Perbandingan Logistic Regression dan SVM untuk Analisis Sentimen Pengguna Netflix Menggunakan TF-IDF dan Bot Telegram Ngara, Simson Mali; Anggara, Indra Galuh; Saputra, Ryan Adjie; Rahmatullah, Beni; Wahidin, Ahmad Jurnaidi; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3988

Abstract

Pertumbuhan layanan over-the-top (OTT) seperti Netflix di Indonesia menyebabkan meningkatnya jumlah ulasan pengguna yang dapat dimanfaatkan sebagai sumber informasi untuk memahami persepsi terhadap kualitas layanan. Ulasan tersebut mengandung opini positif maupun negatif yang berhubungan dengan pengalaman menonton, stabilitas aplikasi, kualitas jaringan, hingga aspek biaya. Penelitian ini bertujuan membandingkan performa dua algoritma Machine Learning, yaitu Logistic Regression dan Support Vector Machine (SVM), dengan representasi teks TF-IDF dalam mengklasifikasikan sentimen ulasan pengguna Netflix berbahasa Indonesia. Dataset yang digunakan terdiri dari 5.620 ulasan yang diperoleh dari Google Play Store dan telah melalui serangkaian tahapan prapemrosesan mencakup pembersihan teks, case folding, tokenisasi, stopword removal, dan stemming. Evaluasi dilakukan menggunakan keseluruhan dataset untuk memperoleh gambaran performa operasional yang lebih realistis dalam konteks penggunaan nyata. Hasil penelitian menunjukkan bahwa SVM memberikan performa tertinggi dengan akurasi 0,8603, F1-score 0,7773, precision 0,8698, recall 0,7026, dan ROC-AUC 0,9206, sedangkan Logistic Regression mencatat akurasi 0,8532 dan F1-score 0,7626. Selain evaluasi model, penelitian ini juga mengimplementasikan sistem analisis sentimen melalui dashboard Streamlit dan bot Telegram yang mampu memberikan prediksi secara real-time. Temuan ini menunjukkan bahwa integrasi model Machine Learning dengan platform aplikasi dapat digunakan sebagai alat pemantauan opini pengguna secara berkelanjutan serta mendukung pengambilan keputusan terkait peningkatan kualitas layanan OTT.  
Prediksi Harga Saham PT Telkom Indonesia Tbk (TLKM) Menggunakan Linear Regression, Random Forest, dan XGBoost Lumbantoruan, Sari; Duha, Arnawati; Astuti, Tia Puji; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4158

Abstract

Prediksi harga saham merupakan salah satu aspek penting dalam pengambilan keputusan investasi, karena mampu membantu investor dalam mengantisipasi risiko dan mengoptimalkan keuntungan. PT Telkom Indonesia Tbk (TLKM) merupakan salah satu emiten blue chip di Bursa Efek Indonesia yang memiliki kapitalisasi pasar besar dan likuiditas tinggi, sehingga menarik untuk dianalisis dari sisi pergerakan harga sahamnya. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga model machine learning, yaitu Linear Regression, Random Forest, dan XGBoost, dalam memprediksi harga penutupan saham TLKM berdasarkan data historis. Data yang digunakan merupakan data harga saham harian TLKM periode 7 November 2019 hingga 6 November 2024 yang diperoleh dari platform Kaggle, dengan variabel Date, Open, High, Low, Close, Adj Close, dan Volume. Tahapan penelitian meliputi pembersihan data, konversi rekayasa fitur berbasis informasi historis dan indikator teknikal seperti lag harga penutupan, moving average, volatilitas, dan return harian, serta pembagian data menjadi 80% data latih dan 20% data uji. Selanjutnya, ketiga model dibangun dan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil pengujian menunjukkan bahwa Linear Regression memberikan kinerja paling baik dibandingkan Random Forest dan XGBoost, dengan nilai RMSE sebesar 8,13, MAE 6,15, MAPE 0,19%, dan R² 0,9997. Temuan ini mengindikasikan bahwa pada data saham TLKM dengan pola pergerakan yang relatif stabil, model linear sederhana masih mampu memberikan akurasi prediksi jangka pendek yang sangat tinggi dan dapat dijadikan alternatif yang efektif dibandingkan model ensemble yang lebih kompleks. .
Co-Authors Aditya, Ikhsan Nur Aditya, Suwanda Ahmad Jurnaidi Wahidin Anggara, Indra Galuh Astuti, Tia Puji Awinanto, Alfian Budiyono, Pungkas Burhanuddin Burhanuddin Dikdik Permana Wigandi Duha, Arnawati Essa Waldhani, Gesti Faisal Faisal Fariz Fauzi Fauzi, Muhamad Rizki Gesti Gesti Essa Waldhani Habiburrahman, Tamzis Handika, Muhamad Hariyansyah, Rahmat Hidayah, Arip Ibrahim Ibrahim Ika Kurniawati Kiki Setiawan Lumbantoruan, Sari Martin, Ricky Ngara, Simson Mali Paryanti, Atik Budi Pungkas Budiono Pungkas Budiyono Rahayu Rahayu Ningsih Saputra, Ryan Adjie soma, Adityan Suryadih, Suryadih Suwanda Suwanda Aditya Suwanda Aditya Saputra Suwanda Aditya Saputra Waldhani, Gesti Essa