p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Tekno Insentif
Zian Asti Dwiyanti
Universitas Logistik dan Bisnis Internasional

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

Found 2 Documents
Search

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.
Prediksi Cuaca Kota Jakarta Menggunakan Metode Random Forest Zian Asti Dwiyanti; 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.v17i2.1136

Abstract

Abstrak Prediksi cuaca berperan penting dalam berbagai bidang kehidupan, seperti pertanian, transportasi, pariwisata, dan mitigasi bencana. Kemampuan memprediksi cuaca secara akurat dan tepat waktu sangat berdampak dalam pengambilan keputusan yang cerdas. Kota Jakarta, sebagai ibu kota Indonesia yang padat penduduk dan memiliki aktivitas ekonomi tinggi, membutuhkan sistem prediksi cuaca yang handal untuk mendukung pengelolaan sektor-sektor tersebut. Studi ini bertujuan memprediksi cuaca di Kota Jakarta dengan menggunakan metode Random Forest dan data cuaca historis yang terpercaya dari website OpenData Jakarta. Evaluasi menunjukkan bahwa model Random Forest memberikan prediksi cuaca yang baik, dengan akurasi, presisi dan recall sebesar 0.71, F1-score sebesar 0.70, serta ROC-AUC sebesar 0.92. Metrik evaluasi ini menggambarkan kinerja model dalam mengklasifikasikan cuaca dengan baik, mempertimbangkan keakuratan, ketepatan, dan keseimbangan antara presisi dan recall. Hasil prediksi cuaca tersebut mencakup kemampuan model untuk mengidentifikasi dengan benar berbagai kelas cuaca, dan memberikan informasi berharga dalam pengambilan keputusan terkait kondisi cuaca di Kota Jakarta. Abstract Weather prediction plays a crucial role across various life domains, including agriculture, transportation, tourism, and disaster mitigation. The ability to predict weather accurately and in a timely manner significantly impacts informed decision-making. Jakarta, as Indonesia's populous capital with high economic activity, necessitates a reliable weather forecasting system to support sector management. This study aims to predict Jakarta's weather using the Random Forest method and dependable historical weather data from the OpenData Jakarta website. Evaluation reveals that the Random Forest model offers favorable weather predictions, boasting an accuracy, precision, and recall of 0.71, an F1-score of 0.70, and an ROC-AUC of 0.92. These evaluation metrics epitomize the model's adeptness in effectively classifying weather, striking a balance between precision and recall. The weather prediction outcomes encompass the model's capacity to accurately identify diverse weather categories, thereby furnishing valuable insights for decision-making concerning Jakarta's weather conditions.