Claim Missing Document
Check
Articles

Found 3 Documents
Search

Classification Comparison Performance of Supervised Machine Learning Random Forest and Decision Tree Algorithms Using Confusion Matrix helmud, ellya; Fitriyani, Fitriyani; Romadiana, Parlia
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 13, No 1 (2024): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v13i1.1985

Abstract

The classification method is part of data mining which is used to predict existing problems and also as predictions for the future. The form of dataset used in the classification method is supervised data. The random forest classification method is processed by forming several decision trees and then combining them to get better and more precise predictions. while a decision tree is the concept of changing a pile of data into a decision tree that presents the rules of a decision. From these two classification methods, researchers will compare the level of accuracy of predictions from both methods with the same dataset, namely the employee dataset in India, to predict the level of accuracy of employees who leave their jobs or still remain to work at their company. The number of records available is 4654 records. Of the existing data, 90% was used as training data and 10% was used as test data. From the results of testing this method, it was found that the accuracy level of the random forest method was 86.45%, while the decision tree method was 84.30% accuracy level. Then, by using the confusion matrix, you can see the magnitude of the distribution of experimental validity visually to calculate precision, recall and F1-Score. The random forest algorithm obtained precision of: 96.7%, sensitivity of: 84.7%, specificity of: 91.4%, and F1-Score of: 90.2%. Meanwhile, the decision tree algorithm obtained precision of: 95.7%, sensitivity of: 82.9%, specificity of: 88.4%, and F1-Score of: 88.8%.
Pelatihan Pembuatan Web Dengan PHP Dan WordPress Pada SMA Negeri 4 Pangkalpinang Rachmatsyah, Agus Dendi; Isnanto, Burham; Saputro, Seno Hadi; Helmud, Ellya; Alkodri, Ari Amir
Jurnal Pengabdian Masyarakat Berbasis Teknologi Vol 6 No 01 (2025): Volume 6, Nomor 1, Mei 2025
Publisher : ISB Atma Luhur

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

Abstract

Perkembangan Ilmu dan Teknologi semakin lama semakin pesat terutama di bidang Teknologi Informasi, salah satunya teknologi website. Pelatihan pembuatan website dengan php dan WordPress yang dilakukan pada SMA Negeri 4 Pangkalpinang dikarenakan pada SMA Negeri tersebut dirasa belum optimal dalam pemanfaatan teknologi informasi yang ada oleh sebab itu maka pengabdian ini dilakukan. Adapun peserta dalam pengabdian ini adalah Siswa SMA Negeri 4 Pangkalpinang . Dalam kegiatan pengabdian ini adalah memberikan pelatihan dan pendampingan dalam pembuatan Website dengan menggunakan PHP dan WordPresss kepada para siswa dan siswi di SMA Negeri 4 Pangkalpinang. Adapaun manfaat dari pelatihan ini adalah diharapkan dapat meningkatkan kemampuan para siswa-siswi SMA Negeri 4 Pangkalpinang  dalam membuat database dengan Xampp sebagai server. Pentingnya pelatihan ini bagi SMA Negeri 4 Pangkalpinang karena dengan melihat perkembangan zaman tentang teknologi yang canggih oleh sebab itu siswa-siswi SMA Negeri 4 Pangkalpinang juga dituntut untuk dapat menggunakan teknologi tersebut agar tidak ketinggalan dan memperoleh wawasan baru dalam penggunaan teknologi informasi .
Deteksi Anomali Polusi Udara Menggunakan Algoritma Isolation Forest tanpa Label pada Dataset Kualitas Udara Torino Amanda, Reffi; Helmud, Ellya; Kirana, Chandra
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 9 (2025): JPTI - September 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.950

Abstract

Polusi udara merupakan masalah masalah lingkungan yang berdampak langsung pada Kesehatan dan kualitas hidup manusia. Tujuan dari penelitian ini adalah untuk menggunakan algoritma Isolation Forest berbasis Unsupervised Learning, untuk menemukan anomali dalam data kualitas udara dan mengetahui situasi yang tidak normal dengan cepat dan akurat tanpa memerlukan label. Isolation forest dipilih karena efisien dalam menangani data yang besar dan bekerja dengan cepat dalam ruang fitur tinggi dibandingkan dengan algoritma yang lain. Penelitian ini mengimplementasikan algoritma isolation forest untuk dilakukannya identifikasi outlier pada data kualitas udara, khususnya parameter karbon monoksida (CO), nitrogen dioksida (NO?), nitrogen oksida (Nox), dan benzene (C6H6) dari dataset UCI Air Quality. Penelitian ini dilakukan dengan studi literatur, pengumpulan data, preprocessing (pembersihan data dan penanganan nilai hilang), analisis eksploratif, implementasi algoritma, serta visualisasi hasil. Hasilnya, dari total 9357 data, terdeteksi 468 anomali (5%) dengan karakteristik lonjakan nilai ekstrim seperti CO 8.1 mg/m³ dan NO? 187 µg/m³. Visualisasi grafik temporal dan boxplot memperkuat penelitian ini, dengan menunjukkan distribusi anomali yang tersebar. Sehingga, pendekatan ini bisa digunakan sebagai sistem peringatan dini terhadap lonjakan polusi udara yang berbahaya, sehingga berkontribusi dalam sistem monitoring kualitas udara otomatis yang lebih adaptif dan real-time.