Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Kursor Prosiding Seminar Nasional CORISINDO
Dadang Priyanto
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
THE INFLUENCE OF DATA CATEGORIZATION AND ATTRIBUTE INSTANCES REDUCTION USING THE GINI INDEX ON THE ACCURACY OF THE CLASSIFICATION ALGORITHM MODEL Willy Fernando; Jollyta, Deny; Dadang Priyanto; Dwi Oktarina
Jurnal Ilmiah Kursor Vol. 12 No. 3 (2024)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/kursor.v12i3.372

Abstract

Numerical data problems are typically caused by a failure to comprehend the data and the outcomes of its processing. In order to give richer context and a deeper understanding of the facts, numerical data must be transformed into categories. On the other hand, changes in data have a significant impact on the analysis's outcomes. The purpose of this study is to see how transforming numerical data into categories affects the model produced by the classification algorithms. The dataset used in this study is the Maternal Health Risk. Categorization refers to formal arrangements. Categorization is also accomplished by using the Gini Index to limit the number of instances of an attribute. The classification is carried out using the Random Forest (RF), K-Nearest Neighbor (K-NN) and Support Vector Machine (SVM) algorithms to produce a model. The influence of data modifications to model can be observed in the confusion matrix with 5 different data splitting. The study results suggested that changing numerical data to categories data significantly improved the performance of the SVM model from 76.92% to 80.77% at a data splitting percentage of 95/5.
Pendekatan Aritificial Neural Network untuk Prediksi Hasil Panen Kopi dengan Metode Backpropagation Guntara, Muhammad; I Gusti Ayu Diah Gita Kartika Santi; Dadang Priyanto
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5362

Abstract

Indonesia merupakan salah satu produsen kopi terbesar di dunia, dengan Provinsi Nusa Tenggara Barat (NTB) sebagai salah satu daerah penghasil utama. Produksi kopi di NTB mengalami fluktuasi tahunan yang dipengaruhi oleh berbagai faktor, seperti luas lahan, kondisi iklim, dan teknik budidaya. Untuk mendukung perencanaan dan pengambilan keputusan, diperlukan metode prediksi yang akurat. Penelitian ini bertujuan memprediksi hasil produksi kopi menggunakan pendekatan Artificial Neural Network (ANN) dengan algoritma Backpropagation, yang mampu mempelajari pola non-linear antara variabel input dan output. Dataset yang digunakan berasal dari Badan Pusat Statistik (BPS) Provinsi NTB untuk periode 2015–2024, dengan variabel Tahun, Luas Lahan (Ha), dan Produksi (Ton). Tahapan penelitian meliputi preprocessing data dengan Min-Max Scaling, perancangan arsitektur ANN dengan struktur 2–8–8–1, pelatihan model menggunakan optimizer Adam, serta evaluasi dengan metrik MSE, RMSE, MAE, dan MAPE. Hasil evaluasi menunjukkan bahwa model terbaik memiliki nilai MAPE sebesar 6.93%, yang termasuk kategori akurasi sangat baik. Prediksi produksi untuk periode 2025–2030 menunjukkan tren peningkatan, dari 7.748 ton pada tahun 2025 menjadi 10.262 ton pada tahun 2030. Hasil ini membuktikan bahwa ANN dengan algoritma Backpropagation efektif digunakan untuk memprediksi hasil produksi kopi dan berpotensi mendukung pengambilan keputusan di sektor pertanian.
Co-Authors Deny Jollyta Dwi Oktarina Guntara, Muhammad I Gusti Ayu Diah Gita Kartika Santi Willy Fernando