Claim Missing Document
Check
Articles

Found 20 Documents
Search

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. .
Prediksi Pembelian E-Commerce Menggunakan XGBoost Berbasis Perilaku Sesi Pengguna Ruscikasani, Syalaiza Nizar; Oktalivia, Raden Roro Najwa; Putra, Firman Restu; 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.v4i4.4287

Abstract

Penelitian ini membahas pemodelan prediksi pembelian pada platform e-commerce dengan memanfaatkan algoritma Extreme Gradient Boosting (XGBoost) berbasis data perilaku sesi pengguna. Dataset yang digunakan terdiri dari 12.719 sesi pengguna dengan sejumlah atribut perilaku, meliputi waktu kunjungan (Timestamp), durasi interaksi halaman (TimeOnPage_seconds), sumber rujukan (ReferralSource), tipe perangkat (DeviceType), tipe halaman (PageType), negara asal pengguna, serta jumlah item dalam keranjang belanja. Tahap prapengolahan data dilakukan untuk meningkatkan kualitas dataset sebelum pemodelan. Atribut numerik diproses menggunakan imputasi median guna menangani nilai hilang secara stabil terhadap outlier, sedangkan fitur kategorikal ditransformasikan menggunakan ordinal encoding agar sesuai dengan karakteristik algoritma berbasis pohon. Dataset selanjutnya dibagi menjadi data latih dan data uji dengan rasio 80:20 menggunakan teknik stratified split untuk menjaga proporsi kelas pada variabel target. Model XGBoost dilatih menggunakan parameter terkalibrasi dan dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 0,785 dan ROC-AUC sebesar 0,804, yang menandakan kemampuan diskriminasi yang baik dalam membedakan sesi yang berpotensi menghasilkan pembelian. Analisis feature importance berbasis gain mengungkapkan bahwa fitur Timestamp dan TimeOnPage_seconds merupakan faktor paling berpengaruh dalam pembentukan prediksi. Visualisasi pohon keputusan memberikan pemahaman tambahan mengenai mekanisme pemisahan fitur pada model. Temuan ini menunjukkan bahwa data perilaku sesi pengguna dapat dimanfaatkan secara efektif untuk mendukung prediksi konversi serta menjadi dasar pengembangan sistem rekomendasi dan strategi pemasaran e-commerce yang lebih adaptif.
Klasifikasi Indikator Kesehatan Diabetes Menggunakan Algoritma Random Forest Haura Syahla; Haris Izzudin; Fariz Aditya Pratama; Beni Rahmatullah; Ahmad Jurnaidi Wahidin; Ika Kurniawati
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6338

Abstract

Diabetes continues to rise as a global health concern, highlighting the need for analytical methods that can assist in earlier and more accurate detection. This study aims to classify diabetes conditions using the Random Forest algorithm implemented through the Orange Data Mining platform. The dataset used contains various health-related attributes such as glucose levels, blood pressure, body mass index, age, and other clinical indicators associated with diabetes risk. Random Forest was selected due to its ability to produce stable models, handle large and complex datasets, and minimize overfitting by combining multiple decision trees. The research process includes data preprocessing, splitting the dataset into training and testing portions, building the Random Forest model, and evaluating its performance using metrics such as accuracy, precision, recall, F1-score, and confusion matrix. The results indicate that Random Forest delivers strong and consistent performance in classifying diabetes conditions based on the given health indicators. These findings suggest that employing data mining techniques especially Random Forest within Orange—can serve as a practical and reliable approach to support medical analysis and assist healthcare practitioners in achieving earlier and more accurate diabetes detection.                                                          
The Role of Blockchain in Securing Internet of Things (IoT) Ecosystems: A Cross Industry Analysis Mega Angkasa; Ika Rosalika; Dante Rio Sebastian; Beni Rahmatullah
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6460

Abstract

The rapid growth of the Internet of Things (IoT) has increased system connectivity across industries while simultaneously intensifying cybersecurity risks related to data integrity, access control, and system resilience. This study aims to analyze the role of blockchain technology in securing IoT ecosystems through a cross-industry perspective. A quantitative comparative approach was employed using a structured survey distributed to organizations in the manufacturing, healthcare, energy, logistics, and smart infrastructure sectors. Data were analyzed using descriptive and inferential statistical techniques to examine the effect of blockchain-based security mechanisms on IoT security performance. The findings indicate that blockchain adoption has a positive and significant impact on improving data integrity, strengthening access control, and enhancing system resilience across all observed industries. Variations in the strength of these effects reflect differences in regulatory pressure and operational risk among sectors. The results confirm that blockchain functions not only as a technical security solution but also as a strategic infrastructure for decentralized trust and risk governance in IoT environments. This study provides both theoretical contributions to IoT security frameworks and practical guidance for cross-sector blockchain implementation.
Workshop Pemanfaatn Open Ai Meningkatkan Pemasaran Hasil Produksi Kelompok Patani Lele Sumberjaya Rahmatullah, Beni; Essa Waldhani, Gesti; Aditya, Suwanda; Ningsih, Rahayu
PRAWARA Jurnal ABDIMAS Vol 5 No 1 (2026): PRAWARA JURNAL ABDIMAS
Publisher : CV. Manha Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kelompok Tani Lele Sumberjaya yang beralamat di Perum Griya Asri 1 Blok B Rt 003/31 Tambun Selatan Bekasi, telah hadir ditengah masyarakat dalam upaya mewujudkan fungsi dan perannya. Namun yang menjadi permasalahan adalah para petani lele di Kelompok Tani Lele Sumberjaya  belum mampu memaksimalkan memanfaatkan teknologi internet untuk memasarkan produk atau menyebarkan informasi tentang keberadaan para petani lele di bekasi khususnya dan juga di indonesia pada umumnya. Hal ini dikarenakan dengan keterbatasan ilmu pengetahuan yang dimiliki oleh mereka. Solusi yang ditawarkan untuk permasalahan diatas adalah memberikan pelatihan pemanfaatan Open AI sebagai sarana untuk memasarkan produk dan informasi mengenai keberadaan petani lele yang berlokasi di tambun ini. Metode pelaksanaan kegiatan pengabdian masyarakat di Kelompok Tani Lele Sumberjaya dalam bentuk pelatihan cara menggunakan dan memanfaatkan Open AI secara lebih maksimal yang dilakukan secara sistematis dan terstruktur dengan metode pertemuan secara tatap muka. Hasil yang diharapkan dari kegiatan pengabdian masyarakat ini adalah adanya peningkatan keahlian dari para Petani lele Kelompok Tani Lele Sumberjaya dalam menggunakan dan memanfaatkan Open AI untuk mendukung semakin luasnya penjualan produk mereka dan tentunya meningkatkan kesejarteraan dari para petani lele. Luaran dari hasil kegiatan pengabdian masyarakat yang akan diselenggarakan berupa artikel di media masa cetak atau elektronik nasional dan lokal kegiatan pelaksanaan pengabdian masyarakat serta peningkatan keahlian dan kompetensi dari peserta.