Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Muhammad Putra Novelan
Universitas Pembangunan Panca Budi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

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

Found 2 Documents
Search

 1 
Analisis Machine Learning untuk Prediksi Permintaan Produk pada Percetakan PT. Next Sihar Dagulon Menggunakan Algoritma Random Forest Lamsihar Banjarnahor; Muhammad Irfan Sarif; Muhammad Putra Novelan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1399

Abstract

Permintaan produk percetakan pada PT. Next Sihar Dagulon mengalami fluktuasi sehingga perusahaan sering menghadapi kesulitan dalam menentukan kebutuhan bahan baku dan kapasitas produksi. Pendekatan prediksi yang masih bersifat manual berpotensi menimbulkan kelebihan stok, kekurangan stok, keterlambatan produksi, dan peningkatan biaya operasional. Penelitian ini bertujuan menganalisis penerapan machine learning menggunakan algoritma Random Forest untuk memprediksi permintaan produk percetakan. Data yang digunakan berupa data historis transaksi penjualan periode Januari 2022 sampai Desember 2024 sebanyak 2.500 data, yang setelah preprocessing menjadi 2.400 data valid. Variabel penelitian meliputi jenis produk, bulan transaksi, harga, jumlah pelanggan, promosi, permintaan periode sebelumnya, dan jumlah permintaan sebagai target. Tahapan penelitian terdiri atas pengumpulan data, preprocessing, transformasi data kategorikal, pembagian data latih dan data uji, pemodelan Random Forest Regressor, serta evaluasi menggunakan MAE, RMSE, MAPE, dan R². Hasil pengujian menunjukkan nilai MAE sebesar 8,74, RMSE sebesar 12,61, MAPE sebesar 7,86%, dan R² sebesar 0,91. Hasil tersebut menunjukkan bahwa Random Forest mampu menghasilkan prediksi permintaan dengan tingkat kesalahan rendah dan dapat digunakan sebagai dasar perencanaan produksi serta pengelolaan stok perusahaan.
Optimasi Metode Naïve Bayes dan Random Forest Terhadap Akurasi Prediksi Gadget Addiction pada Anak-Anak Nathania Asyifa; Muhammad Putra Novelan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

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

Abstract

Penggunaan gagdet yang berlebihan pada anak-anak telah menjadi permasalahan kesehatan mental yang semakin mengkhawatirkan, dengan dampak negatif pada aspek psikologis, fisik, dan sosial. Deteksi dini terhadap perilaku kecanduan gadget (gadget addiction) sangat diperlukan agar intervensi dapat dilakukan secara tepat dan efesien. Penelitian ini bertujuan untuk membandingkan dan mengoptimasi kinerja dua algortima machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi tingkat kecanduan gadget pada anak-anak usia 5-12 tahun. Data dikumpulkan melalui kuesioner berbasis skala likert yang disebarkan kepada 150 responden (orangtua siswa) di SD Muhammadiyah 18 Medan, mencakup variabel durasi penggunaan gadget, gejala fisik, tingkat ketergantungan, serta faktor psikologis. Data diproses melalui tahapan preprocessing, kemudian dibagi 80:20 untuk data latih dan uji. Hasil evaluasi menujukkan bahwa algoritma Naive Bayes menghasilkan akurasi sebesar 95%, sedangkan Random Forest dengan paramater default maupun setelah optimasi mencapai akurasi 100% dengan nilai presicion, recall, dan f1-Score sempurna pada seluruh kelas. Perbedaan akurasi sebesar 5% antara kedua algoritma membuktikan bahwa Random Forest secara signifikan lebih unggul dibandingkan Naïve Bayes. Berdasarkan analisis feature importance, durasi penggunaan gadget menjadi fitur paling berpengaruh, sehingga solusi intervensi berupa pembatasan waktu layar dan strategi pengelolaan perilaku direkomendasikan sesuai tingkat kecanduan anak.
Co-Authors Lamsihar Banjarnahor Muhammad Irfan Sarif Nathania Asyifa