Garuda - Garba Rujukan Digital

Analisis Faktor Makroekonomi yang Mempengaruhi Indeks Harga Saham Gabungan Menggunakan Algoritma Analisis Jalur Cahyani, Nita; Irsyada, Rahmat; Alfiyatul, Siti Nur
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.5207

Perkembangan ekonomi yang baik pada suatu negara merupakan suatu indikator yang digunakan oleh para pelaku usaha untuk berinvestasi. Sebelum berinvestasi dalam sebuah saham, investor harus memperhatikan pergerakan harga saham. Indeks Harga Saham dipengaruhi oleh beberapa faktor makroekonomi, antara lain inflasi dan suku bunga BI. Upaya yang dilakukan pemerintah dalam mengatasi tingginya inflasi salah satunya adalah dengan mengurangi jumlah uang yang beredar. Selain inflasi dan suku bunga, nilai tukar uang juga dapat mempengaruhi indeks harga saham.Penelitian ini bertujuan untuk mengetahui faktor apa saja yang mempengaruhi indeks harga saham gabungan. Metode analisis yang digunakan dalam penelitian ini adalah metode analisis jalur. Hasil penelitian menyatakan bahwa jumlah uang beredar, nilai tukar uang dan suku bunga BI secara langsung secara sigifikan mempengaruhi indeks harga saham gabungan, sedangkan inflasi secara langsung secara signifikan tidak mempengaruhi indaks harga saham gabungan. Jumlah uang beredar, inflasi dan nilai tukar uang berpengaruh signifikan terhadap indeks harga saham gabungan melalui suku bunga BI.

Penerapan Algoritma Neural Network untuk Klasifikasi Diabetes Mellitus: Perbandingan Backpropagation dan Resillient Backpropagation Cahyani, Nita; Irsyada, Rahmat; Mahmuda, Rahmawati
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.5208

Diabetes Mellitus (DM) adalah gangguan metabolisme yang ditandai dengan hiperglikemia kronis dan kelainan metabolisme karbohidrat, lipid, dan protein yang disebabkan oleh kelainan sekresi insulin, kerja insulin, atau keduanya. Penelitian ini bertujuan untuk membandingkan hasil klasifikasi menggunakan analisis Backpropagation Neural Network (BPNN) dengan Resilient Backpropagation Neural Network (RBPNN) pada kasus Diabetes Mellitus. Metode yang digunakan pada penelitian ini adalah metode analisis BPNN dan RBPNN dengan sumber data yang diperoleh dari RSUD Sosodoro Djatikusumo Bojonegoro. Dari penelitian ini diperoleh hasil penyebab utama faktor-faktor yang mengakibatkan DM adalah faktor keturunan, tekanan darah dan umur. Dari penelitian ini dapat disimpulkan bahwa faktor dominan yang ada pada penderita DM adalah faktor keturunan yang telah dijelaskan oleh model terbaik yaitu RBPNN

Implementasi Machine Learning Model sebagai Sistem Prediksi Penyakit Breast Cancer Cahyani, Nita; Irsyada, Rahmat; Kartini, Alif Yuanita
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.5209

Breast Cancer atau Kanker payudara adalah penyakit yang paling umum ditemukan pada wanita di seluruh dunia. Setiap perkembangan untuk prediksi dan diagnosis penyakit kanker merupakan modal penting untuk hidup sehat. Sehingga, akurasi tinggi dalam prediksi kanker penting untuk memperbarui aspek pengobatan dan standar kelangsungan hidup pasien. Teknik Machine Learning (ML) merupakan aplikasi dari Artificial Intelligence (AI) yang dapat memberikan kontribusi besar pada proses prediksi dan diagnosis dini kanker payudara, dan telah terbukti sebagai teknik yang kuat. Dalam penelitian ini, diterapkan algoritma Machine Learning yaitu metode single: Support Vector Machine (SVM), Random Forest, Logistic Regression, dan K-Nearest Neighbors (KNN) dan metode ensemble yaitu SMOTE-Boosting dan SMOTE-Bagging pada dataset Breast Cancer di Bojonegoro. Tujuan dari penelitian ini Mendaptakan ketepatan klasifikasi atau prediksi breast cancer khususnya studi kasus di Bojonegoro dengan tingkat kinerja yang lebih baik. Nilai akurasi yang terbaik pada metode single yaitu model Random Forest (RF) sebesar 95,65% untuk data testing, 100% untuk data training sedangkan untuk metode ensembel SMOTE-Boosting Random Forest (RF) sebesar 100% untuk data testing, 100% untuk data training dan SMOTE-Bagging RF sebesar 97% untuk data training dan 100% untuk data testing. Sehingga SMOTE-Boosting RF dapat dijadikan analisis prediksi yang terbaik dalam penelitian ini. Hasil ini dapat digunakan di masa depan untuk memprediksi penyakit lainnya.

Improving Multiclass Rainfall Prediction with Multilayer Perceptron and SMOTE: Addressing Class Imbalance Challenges Cahyani, Nita; Putri, Wardiana Adinda; Irsyada, Rahmat
Brilliance: Research of Artificial Intelligence Vol. 4 No. 2 (2024): Brilliance: Research of Artificial Intelligence, Article Research November 2024
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v4i2.5203

Rainfall is a key climate element that affects weather patterns and human activities, especially in agriculture and daily life. Therefore, accurately classifying rainfall is crucial for predicting future rainfall amounts. This study uses the Multilayer Perceptron (MLP) classification method, a neural network algorithm, to classify rainfall. The dataset, sourced from the BMKG website, has a class imbalance, requiring using the SMOTE (Synthetic Minority Over-sampling Technique) technique. The research compares the performance of MLP with and without SMOTE. The results show that the best model was achieved with SMOTE. MLP without SMOTE achieved an accuracy of 75%, sensitivity of 40.34%, specificity of 86.15%, and an AUC of 63.25%. In comparison, MLP with SMOTE achieved an accuracy of 71.27%, sensitivity of 71.14%, specificity of 90.30%, and an AUC of 80.72%. Although accuracy decreased, the overall evaluation, particularly the AUC, improved significantly. Therefore, the SMOTE technique effectively addresses the class imbalance issue in rainfall classification.

Innovation of an Expert System for Diagnosing Allergic Diseases in Children using the Web-based Certainty Factor Method Irsyada, Rahmat; Cahyani, Nita; Badriyah, Lailatul
Brilliance: Research of Artificial Intelligence Vol. 4 No. 2 (2024): Brilliance: Research of Artificial Intelligence, Article Research November 2024
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v4i2.5204

In this modern era, the development of computer technology has increased so rapidly. Currently the computer is a tool in helping to overcome all the problems encountered by humans, including in the field of health. With the existence of technology, of course, it will greatly facilitate the community to get health services and consultations. One of the technological developments is an expert system. An expert system is a branch of artificial intelligence (Artificial Intelligence), which is an application designed to use a computer that tries to imitate the reasoning process of an expert or expert in solving specific problems and making decisions or conclusions because to solve a problem and save it. in the knowledge base for processing. This expert system was created to assist experts in deciding diseases based on existing symptoms. The Certainty Factor method is a theory that can be used to solve uncertainty problems. Certainty Factor (CF) is a value to measure expert confidence. Certainty Factor was introduced by Shortliffe Buchanan in making the MYCIN expert system to show the amount of trust. This method can work well when there are problems that start from gathering and then gathering information and then being able to find conclusions that can be drawn from that information. The Certainty Factor method will be applied to accurately determine allergic health in children. If this method is applied, it can minimize the presence of allergic diseases suffered by dangerous children. And when you have an allergy, it can be treated immediately.

Peramalan Banyaknya Pasien Rawat Jalan dengan Menggunakan Metode Brown's Double Exponential Smoothing Khoiriyah, Nuraini; Cahyani, Nita
Jurnal Statistika dan Komputasi Vol. 1 No. 1 (2022): Jurnal Statistika dan Komputasi
Publisher : Universitas Nahdlatul Ulama Sunan Giri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/statkom.v1i1.451

Latar Belakang: Peramalan memainkan peran penting dalam kegiatan pengambilan keputusan dalam manajemen organisasi. Kebutuhan akan peramalan yang andal semakin meningkat seiring upaya manajemen untuk mengurangi ketergantungannya pada peluang dan menjadi lebih ilmiah dalam menangani masalah-masalahnya. Terutama masalah yang terjadi pada kasus peramalan banyaknya pasien rawat jalan di Dr. R. Sosodoro Djatikoesoemo Bojonegoro. Peningkatan banyaknya pasien rawat jalan dapat diperkirakan sehingga menjadi antisipasi manajer rumah sakit dalam persediaan obat-obatan, fasilitas kesehatan, dan tenaga kesehatan. Tujuan: Meramalkan banyaknya kunjungan pasien rawat jalan di RSUD Dr. R. Sosodoro Djatikoesoemo Bojonegoro dengan model Brown's double exponential smoothing. Metode: Digunakan metode kuantitatif berupa peramalan deret waktu dengan menggunakan model Brown's double exponential smoothing dengan satu parameter yaitu ?. Model peramalan diperoleh melalui pemilihan ? terbaik berdasarkan kriteria model terbaik yaitu mean absolute percentage error (MAPE). Hasil: Diperoleh model terbaik dengan ? sebesar 0,2 dan MAPE sebesar 18. Hasil peramalan model untuk 5 bulan ke depan adalah 12.643 pada bulan Agustus, 12.895 bulan September, 13.147 bulan Oktober, 13.399 bulan November, dan 13.651 bulan Desember. Kesimpulan: Hasil peramalan pasien rawat jalan di RSUD Dr. R. Sosodoro Djatikoesoemo untuk 5 bulan menjadi masukan pengetahuan dugaan ke depan bagi manajemen rumah sakit dalam mengatasi banyaknya pasien rawat jalan.

Pemodelan Regresi Logistik Ordinal Pada Indeks Pembangunan Manusia (IPM) Di Jawa Timur Tahun 2020 Budiman, Muhammad Arif; Cahyani, Nita
Jurnal Statistika dan Komputasi Vol. 1 No. 2 (2022): Jurnal Statistika dan Komputasi
Publisher : Universitas Nahdlatul Ulama Sunan Giri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/statkom.v1i2.1169

Latar Belakang: Pemerintah terus menerus melakukan pembangunan di segala aspek yaitu aspek pendidikan, kesehatan, dan kehidupan yang layak. Untuk mengukur keberhasilan pembangunan, salah satunya digunakan indikator yaitu Indeks Pembangunan Manusia (IPM). Untuk menganalisis IPM, perlu digunakan pemodelan statistik yang bisa memberikan analisis faktor-faktor penyebab yang mempengaruhi IPM. Tujuan: Menganalisis faktor-faktor yang mempengaruhi IPM di Jawa Timur pada tahun 2020 dengan pemodelan Regresi Logistik Ordinal. Metode: Digunakan metode penelitian kuantitatif dengan menngunakan metode Regresi logistik dengan menggunakan bantuan software SPSS. Data yang digunakan berasal dari BPS provinsi Jawa Timur berupa data IPM yang berskala ordinal. Faktor-faktor berpengaruh yang diamati yaitu Jumlah Tenaga Pendidik, Jumlah Tenaga Kesehatan, Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar, Laju Pertumbuhan Penduduk, PDRB per Kapita, dan Tingkat Partisipasi Angkatan Kerja yang berskala rasio. Hasil: Diperoleh nilai ketepatan klasifikasi relatif pada pemodelan IPM di Jawa Timur dengan model Regresi Logistik Ordinal sebesar 76,3%. Diperoleh faktor-faktor yang signifikan mempengaruhi IPM di Jawa Timur pada tahun 2020 adalah Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja. Kesimpulan: Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur tahun 2020. Model regresi logistil ordinal juga memiliki keakuratan yang baik dalam klasifikasi IPM.

Prediksi Tingkat Kelahiran Bayi di Kabupaten Bojonegoro dengan Menggunakan Algoritma Naive Bayes Qibtiyah, Mariyatu; Cahyani, Nita
Multidisciplinary Applications of Quantum Information Science (Al-Mantiq) Vol. 4 No. 2 (2024): Multidisciplinary Applications of Quantum Information Science (Al-Mantiq)
Publisher : Al-Mantiq

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/almantiq.v4i2.3289

Perkembangan teknologi informasi pada zaman ini yang sangat pesat dimulai dari penemuan informasi baru pada big data dengan mencari suatu pola tertentu atau sering disebut dengan istilah Data Mining. Data mining merupakan proses dimana menggunakan teknik statistik, matematika, kecerdasan buatan, serta machine learning yang digunakan untuk mengekstraksi (proses pemisahan) dan mengidentifikasi informasi yang bermanfaat terkait dari berbagai database besar. Dengan berkembangnya teknologi informasi saat ini, terutama pada bidang data mining yang telah banyak digunakan dalam sistem informasi. Ada beberapa metode klasifikasi data mining yang sering digunakan untuk memprediksi atau meramalkan, seperti Algoritma Naive Bayes Classifier, Decision Tree, Neural Network, K-Nearest Neighbour, Artificial Neural Network, dan lain metode klasifikasi lain sebagainya. Metode yang digunakan pada penelitian ini menggunakan metode Algoritma Naive Bayes yang memanfaatkan metode probabilitas dan statistik yang dikemukakan oleh ilmuan Inggris Thomas Bayes, yaitu ilmuan yang memprediksi probabilitas di masa depan berdasarkan dengan pengalaman di masa sebelumnya atau masa lalu. Faktor-faktor yang mempengaruhi angka kelahiran sendiri yaitu faktor jenis kelamin laki-laki, jenis kelamin perempuan, dan pasangan usia subur. Angka kelahiran bayi sebagai indikator yang penting untuk mencerminkan keadaan derajat kesehatan di suatu masyarakat. Data yang digunakan dari tahun 1993 sampai dengan tahun 2022. Hasil analisis Algoritma Naive Bayes pada penelitian ini yaitu sebanyak 27 data diprediksi rendah dan 3 data diprediksi rendah pada tahun 2017, 2020, 2021 serta mendapatkan nilai akurasi (accuracy), Recall dan Precision sebesar 100%

Optimal Control of Monkeypox Transmission Model with the Effect of Hospitalization Inayaturohmat, Fatuh; Pramesti, Retta Farah; Pratama, Gilar Budi; Cahyani, Nita; Hanifah, Aisyah
Jurnal Matematika Integratif Vol 21, No 1: April 2025
Publisher : Department of Matematics, Universitas Padjadjaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24198/jmi.v21.n1.62791.113-122

Monkeypox, also known as mpox, is a zoonotic illness caused by the Monkeypox Virus (MPV), which belongs to the Orthopoxvirus genus within the Poxviridae family. According to a WHO report as of September 2023, the virus has spread to numerous non-endemic countries, showing a significant number of cases. The United States reported the highest count, with 4,259 cases. In contrast, Indonesia has reported relatively fewer cases compared to other Southeast Asian nations. Nonetheless, the risk of transmission, particularly through close personal contact, remains a public health concern. This study examined the transmission of monkeypox among human populations using the spread model proposed by previous research. The novelty of this research is the enhancement of the model by introducing hospitalization parameters as a control mechanism, aiming to determine the optimal hospitalization level to minimize the disease's spread. The method used for optimal control is minimum pontryagin principle. The model also consider the asymptomatic and symptomatic infected individuals. There is a transition from asymptomatic to symptomatic individuals. Numerical simulation results show that implementing this control leads to a more rapid decline in the number of symptomatic infected individuals compared to scenarios without control measures.

Improving Multiclass Rainfall Prediction with Multilayer Perceptron and SMOTE: Addressing Class Imbalance Challenges Cahyani, Nita; Putri, Wardiana Adinda; Irsyada, Rahmat
Brilliance: Research of Artificial Intelligence Vol. 4 No. 2 (2024): Brilliance: Research of Artificial Intelligence, Article Research November 2024
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v4i2.5203

Rainfall is a key climate element that affects weather patterns and human activities, especially in agriculture and daily life. Therefore, accurately classifying rainfall is crucial for predicting future rainfall amounts. This study uses the Multilayer Perceptron (MLP) classification method, a neural network algorithm, to classify rainfall. The dataset, sourced from the BMKG website, has a class imbalance, requiring using the SMOTE (Synthetic Minority Over-sampling Technique) technique. The research compares the performance of MLP with and without SMOTE. The results show that the best model was achieved with SMOTE. MLP without SMOTE achieved an accuracy of 75%, sensitivity of 40.34%, specificity of 86.15%, and an AUC of 63.25%. In comparison, MLP with SMOTE achieved an accuracy of 71.27%, sensitivity of 71.14%, specificity of 90.30%, and an AUC of 80.72%. Although accuracy decreased, the overall evaluation, particularly the AUC, improved significantly. Therefore, the SMOTE technique effectively addresses the class imbalance issue in rainfall classification.

Title

Found 33 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 33 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 33 Documents
Search