p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Tekno Insentif
Fahira Fahira
Universitas Logistik dan Bisnis Internasional

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

Found 2 Documents
Search

Prediksi Pola Kedatangan Turis Mancanegara dan Menganalisis Ulasan Tripadvisor dengan LSTM dan LDA Fahira Fahira; Cahyo Prianto
Jurnal Tekno Insentif Vol 17 No 2 (2023): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v17i2.1096

Abstract

Abstrak Penelitian ini menggunakan model LSTM dan LDA untuk meramalkan pola kedatangan wisatawan mancanegara dan menganalisis ulasan Tripadvisor di Jakarta. LSTM memproyeksikan pola kedatangan berdasarkan data historis dan menunjukkan peningkatan jumlah wisatawan dalam periode satu tahun mendatang, sedangkan LDA mengidentifikasi topik utama dalam ulasan dengan tujuan rekomendasi spesifik untuk kota Jakarta. Rekomendasi penelitian meliputi peningkatan pelayanan, kebersihan, infrastruktur, promosi tempat wisata alternatif, dan komunikasi yang jelas kepada wisatawan. Evaluasi menunjukkan performa yang baik, dengan MAPE 2,69% dalam memprediksi kedatangan wisatawan. Penelitian ini menjadi dasar untuk pengambilan keputusan dan perencanaan industri pariwisata Jakarta. Secara keseluruhan, penelitian ini memberikan wawasan berharga untuk pengembangan industri pariwisata Jakarta dengan prediksi akurat dan analisis ulasan wisatawan. Abstract This study uses the LSTM and LDA models to predict arrival patterns of foreign tourists and analyze Tripadvisor reviews in Jakarta. The LSTM projects arrival patterns based on historical data and shows an increase in the number of tourists in the coming one year period, while the LDA identifies the main topics in the review with specific recommendation objectives for the city of Jakarta. Research recommendations include service improvement, cleanliness, infrastructure, promotion of alternative tourist attractions, and clear communication to tourists. Evaluation shows good performance, with MAPE 2.69% in predicting tourist arrivals. This research forms the basis for decision making and planning for the Jakarta tourism industry. Overall, this research provides valuable insights for the development of Jakarta's tourism industry with accurate predictions and analysis of tourist reviews.
Pendekatan Supervised Learning untuk Diagnosa Kehamilan Fahira Fahira; Zian Asti Dwiyanti; Roni Habibi
Jurnal Tekno Insentif Vol 17 No 2 (2023): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v17i2.1102

Abstract

Abstrak Dalam studi ini dilakukan evaluasi performa dari beberapa algoritma machine learning dalam mendiagnosis kehamilan. Tujuan dari studi ini adalah untuk menemukan algoritma yang paling efektif antara decision tree dengan random forest dalam mendiagnosis kehamilan. Studi ini juga bertujuan untuk memberikan pengetahuan yang lebih baik mengenai bagaimana teknik pembelajaran mesin dapat digunakan dalam proses diagnosa kehamilan dan memberikan informasi yang berguna bagi para dokter dan peneliti dalam membuat keputusan yang tepat dalam mendiagnosis kehamilan. Dari hasil evaluasi dapat disimpulkan bahwa model Random Forest dengan menggunakan dataset yang seimbang dan metode Gini memiliki akurasi terbaik sebesar 81%. Hal ini menunjukkan bahwa menggunakan dataset yang seimbang dapat meningkatkan performa dalam mendiagnosis kehamilan. Algoritma Random Forest merupakan metode yang sering digunakan dalam proses pengklasifikasian karena kinerjanya yang baik. Algoritma ini bekerja dengan membuat pohon keputusan yang digunakan untuk membuat prediksi. Pada studi ini, kami menggunakan algoritma Random Forest dengan metode Gini untuk melakukan prediksi kehamilan. Abstract This study evaluates the performance of several machine learning algorithms in diagnosing pregnancy. The purpose of this study is to find the most effective algorithm between decision trees and random forests in diagnosing pregnancy. This study also aims to provide better knowledge about how machine learning techniques can be used in the process of diagnosing pregnancy and provide useful information for doctors and researchers in making the right decisions in diagnosing pregnancy. From the evaluation results it can be concluded that the Random Forest model using a balanced dataset and the Gini method has the best accuracy of 81%. This shows that using a balanced dataset can improve performance in diagnosing pregnancy. Random Forest Algorithm is a method that is often used in the classification process because of its good performance. This algorithm works by creating a decision tree that is used to make predictions. In this study, we used the Random Forest algorithm with the Gini method to predict pregnancy.