Article Per Year (5 Year)
p-Index From 2021 - 2026
2.127
P-Index
This Author published in this journals
All Journal Journal of Science and Applicative Technology Jurnal Penelitian Inovatif Jurnal Nasional Teknologi Komputer Digital Transformation Technology (Digitech) RENATA Jurnal Pengabdian Masyarakat Kita Semua ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat Journal of Innovative and Creativity Management of Information System Journal Jurnal Pengabdian kepada Masyarakat (PEMAS)
Rizty Maulida Badri
Universitas Negeri Medan
Religion Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Public Health Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning Ardika Satria; Rizty Maulida Badri; Ira Safitri
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.2852

Abstract

Pertanian di Indonesia menjadi sektor yang sangat penting karena bertujuan untuk meningkatkan produksi pangan dan industri serta mendorong produksi ekspor. Indonesia memiliki hasil pertanian bahan pokok seperti padi, jagung, ubi jalar, ubi kayu, kacang tanah dan kedelai. Salah satu wilayah paling produktif yang menghasilkan bahan pangan dalam memenuhi kebutuhan pokok adalah pulau Sumatera. Potensi iklim di pulau Sumatera sangat cocok untuk kegiatan pertanian karena curah hujan yang merata hampir sepanjang tahun. Produksi tanaman pangan di Sumatera meningkat sejak tahun 1993. Perluasan lahan pertanian juga naik signifikan. Sementara itu, hasil pertanian di Sumatera sangat rentan terhadap perubahan iklim global terutama kenaikan suhu dari tahun ke tahun. Prediksi hasil pertanian perlu dilakukan agar memberikan hasil yang maksimal pada produksi bahan pokok di Sumatera. Penelitian ini bertujuan untuk mengetahui algoritma terbaik dalam melakukan prediksi hasil pertanian komoditas tanaman pangan yaitu padi, jagung, kacang tanah, kedelai, ubi kayu dan ubi jalar di pulau Sumatera dengan pendekatan model regresi machine learning. Sehingga, penelitian ini diharapkan dapat menjadi acuan dalam pengembangan penelitian terkait bidang pertanian di pulau Sumatera. Metode yang digunakan adalah Machine Learning, yaitu Random Forest (RF), Decision Tree (DT), Gradient Boosting (GB), Extra Tree (ET), Support Vector Machine (SVM), dan Artificial Neural Network (ANN). Nilai koefisien R2 untuk produksi padi masing-masing adalah 0,897; 0,893; 0,957; 0,968; 0,928; dan 0,909. Sedangkan pada produksi bahan pokok lainnya masing-masing adalah 0,754; 0,786; 0,721; 0,913; 0,509; dan 0,90. Model Extra Tree mendapat nilai koefisien R2 tertinggi dan lebih akurat dibandingkan model lainnya.
Implementasi Algoritma K-Nearest Neighbor Dalam Klasifikasi Indeks Pembangunan Manusia Provinsi Sumatera Selatan Tahun 2023 Safitri, Ira; Satria, Ardika; Badri, Rizty Maulida
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.v4i2.4614

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator yang sangat penting dalam mengukur tingkat kesejahteraan suatu daerah. IPM memiliki tiga dimensi penting seperti kesehatan, pengetahuan dan standar hidup yang layak. Dimensi kesehatan dapat diukur melalui angka harapan hidup saat lahir, sementara dimensi pengetahuan menggunakan kombinasi indikator harapan lama sekolah dan rata-rata tahun sekolah. Sedangkan dimensi standar hidup yang layak mengacu pada kemampuan daya beli masyarakat dalam memenuhi kebutuhan pokok, dilihat dari rata-rata pengeluaran per kapita yang disesuaikan. Pada penelitian ini, IPM  Tahun 2023 di Provinsi Sumatera Selatan diklasifikasikan menjadi 2 kategori yaitu IPM rendah (IPM < 70) dan IPM tinggi (IPM >70). Klasifikasi kategori IPM dilakukan menggunakan metode KNN dengan teknik validasi silang Leave-One-Out Cross Validation (LOOCV). Metode ini dilakukan dengan mencari k objek dalam data latih yang paling dekat dengan objek pada data uji. Penelitian ini memiliki tujuan agar mengetahui akurasi klasifikasi IPM dengan metode k-NN dengan nilai k sebesar 1, 3, dan 5. Berdasarkan hasil evaluasi model KNN menggunakan confusion matrix didapatkan nilai k = 1 dengan akurasi sebesar 88,89%, sedangkan k = 3 tingkat akurasi 83,33% kemudian nilai k = 5 didapatkan akurasi 77,78%. Hasil evaluasi model KNN didapatkan nilai k = 1 untuk mendapatkan klasifikasi data yang optimal dengan tingkat akurasi sebesar 88,89%.
Regional Validation Coastal Sea Level Anomaly Estimation from Altimetry Satellite and Tide Gauges Data using Fuzzy Inference System: A Case Study Around Natuna Seas Permana, Rizki Dimas; Gaol, Jonson Lumban; Irawati, Febri Dwi; Rohman, Tefur Nur; Badri, Rizty Maulida
Journal of Science and Applicative Technology Vol. 8 No. 2 (2024): Journal of Science and Applicative Technology December Chapter
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM), Institut Teknologi Sumatera, Lampung Selatan, Lampung, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35472/jsat.v8i2.1851

Abstract

The validation of waveform retracking analyses with Fuzzy Inferences system, which was previously developed to optimize the estimation of sea surface height (SSHs), particularly in coastal locations, is presented in this study. The fuzzy inference system has been tested and validated in the Natuna Sea, Indonesia, where altimetry waveforms varied based on water conditions. Validation was performed by comparing the waveform retracking result of Jason-3 data with in-situ tide gauge data and geoid. The validation of waveform retracking data for sea level anomaly (SLA) estimate against tidal data demonstrates that the waveform retracking with a fuzzy inference system is more accurate than previous approaches. Waveform retracking with fuzzy inference system is able to produce an average temporal correlation of 0.75-0.89 and RMSE between 0.15-0.17 m. The waveform retracking combined with a fuzzy inference system can improve SLA estimation accuracy in nearshore up to 4 km from the coastline. The results indicate that retracking with fuzzy inference system has the potential to be used in other complicated oceans.
Pelatihan Algoritma Machine Learning dalam Robotik di MAN 1 Bandar Lampung Badri, Rizty Maulida; Mika Alvionita; Ramdani, Ahmad Luky; Ira Safitri; Irawati, Febri Dwi; Wisnubroto, M. Syamsuddin; Nasywa, Halilah Roja
RENATA: Jurnal Pengabdian Masyarakat Kita Semua Vol. 3 No. 1 (2025): Renata - April 2025
Publisher : PT Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/1.renata.135

Abstract

Program Pengabdian kepada Masyarakat (PkM) ini bertujuan untuk mengenalkan algoritma pembelajaran mesin dalam robotika kepada siswa MAN 1 Bandar Lampung melalui pelatihan intensif. Kegiatan ini diikuti oleh 10 siswa anggota ekstrakurikuler Cyber yang sebelumnya fokus pada pemrograman robotika manual tanpa pembelajaran mesin. Metode pelaksanaan meliputi observasi langsung selama pelatihan, wawancara semi-terstruktur dengan peserta, serta dokumentasi berupa foto, video, dan catatan proyek yang dihasilkan. Observasi dilakukan untuk memahami dinamika proses belajar, interaksi antar peserta, dan penerapan konsep robotika dalam praktik. Wawancara difokuskan pada motivasi peserta, pengalaman belajar, tantangan yang dihadapi, serta dampak pelatihan terhadap minat dan keterampilan mereka. Data kuantitatif dikumpulkan melalui tes pemahaman sebelum dan setelah pelatihan, menunjukkan bahwa 75% peserta mengalami peningkatan signifikan dalam pemahaman konsep dasar pembelajaran mesin dalam robotika, dengan 50% di antaranya mencapai tingkat pemahaman tinggi (skor di atas 80). Materi pelatihan mencakup jenis dan fungsi robot, perkembangan teknologi robot, serta prospek masa depan robotika. Kegiatan ini disambut antusias oleh siswa dan guru, meningkatkan minat mereka terhadap teknologi dan membuka peluang eksplorasi lebih lanjut di bidang rekayasa robotika. Data dianalisis secara tematik menggunakan teknik coding, dengan validitas diperkuat melalui triangulasi sumber dan metode serta pengecekan ulang oleh partisipan (member checking). Aspek etika dijaga dengan memastikan kerahasiaan identitas peserta dan memperoleh persetujuan tertulis sebelum pengumpulan data. Hasil kegiatan ini diharapkan menjadi fondasi bagi pengembangan program robotika yang lebih advanced di MAN 1 Bandar Lampung
Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning Satria, Ardika; Badri, Rizty Maulida; Safitri, Ira
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.2852

Abstract

Pertanian di Indonesia menjadi sektor yang sangat penting karena bertujuan untuk meningkatkan produksi pangan dan industri serta mendorong produksi ekspor. Indonesia memiliki hasil pertanian bahan pokok seperti padi, jagung, ubi jalar, ubi kayu, kacang tanah dan kedelai. Salah satu wilayah paling produktif yang menghasilkan bahan pangan dalam memenuhi kebutuhan pokok adalah pulau Sumatera. Potensi iklim di pulau Sumatera sangat cocok untuk kegiatan pertanian karena curah hujan yang merata hampir sepanjang tahun. Produksi tanaman pangan di Sumatera meningkat sejak tahun 1993. Perluasan lahan pertanian juga naik signifikan. Sementara itu, hasil pertanian di Sumatera sangat rentan terhadap perubahan iklim global terutama kenaikan suhu dari tahun ke tahun. Prediksi hasil pertanian perlu dilakukan agar memberikan hasil yang maksimal pada produksi bahan pokok di Sumatera. Penelitian ini bertujuan untuk mengetahui algoritma terbaik dalam melakukan prediksi hasil pertanian komoditas tanaman pangan yaitu padi, jagung, kacang tanah, kedelai, ubi kayu dan ubi jalar di pulau Sumatera dengan pendekatan model regresi machine learning. Sehingga, penelitian ini diharapkan dapat menjadi acuan dalam pengembangan penelitian terkait bidang pertanian di pulau Sumatera. Metode yang digunakan adalah Machine Learning, yaitu Random Forest (RF), Decision Tree (DT), Gradient Boosting (GB), Extra Tree (ET), Support Vector Machine (SVM), dan Artificial Neural Network (ANN). Nilai koefisien R2 untuk produksi padi masing-masing adalah 0,897; 0,893; 0,957; 0,968; 0,928; dan 0,909. Sedangkan pada produksi bahan pokok lainnya masing-masing adalah 0,754; 0,786; 0,721; 0,913; 0,509; dan 0,90. Model Extra Tree mendapat nilai koefisien R2 tertinggi dan lebih akurat dibandingkan model lainnya.
Implementasi Algoritma K-Nearest Neighbor Dalam Klasifikasi Indeks Pembangunan Manusia Provinsi Sumatera Selatan Tahun 2023 Safitri, Ira; Satria, Ardika; Badri, Rizty Maulida
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.v4i2.4614

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator yang sangat penting dalam mengukur tingkat kesejahteraan suatu daerah. IPM memiliki tiga dimensi penting seperti kesehatan, pengetahuan dan standar hidup yang layak. Dimensi kesehatan dapat diukur melalui angka harapan hidup saat lahir, sementara dimensi pengetahuan menggunakan kombinasi indikator harapan lama sekolah dan rata-rata tahun sekolah. Sedangkan dimensi standar hidup yang layak mengacu pada kemampuan daya beli masyarakat dalam memenuhi kebutuhan pokok, dilihat dari rata-rata pengeluaran per kapita yang disesuaikan. Pada penelitian ini, IPM  Tahun 2023 di Provinsi Sumatera Selatan diklasifikasikan menjadi 2 kategori yaitu IPM rendah (IPM < 70) dan IPM tinggi (IPM >70). Klasifikasi kategori IPM dilakukan menggunakan metode KNN dengan teknik validasi silang Leave-One-Out Cross Validation (LOOCV). Metode ini dilakukan dengan mencari k objek dalam data latih yang paling dekat dengan objek pada data uji. Penelitian ini memiliki tujuan agar mengetahui akurasi klasifikasi IPM dengan metode k-NN dengan nilai k sebesar 1, 3, dan 5. Berdasarkan hasil evaluasi model KNN menggunakan confusion matrix didapatkan nilai k = 1 dengan akurasi sebesar 88,89%, sedangkan k = 3 tingkat akurasi 83,33% kemudian nilai k = 5 didapatkan akurasi 77,78%. Hasil evaluasi model KNN didapatkan nilai k = 1 untuk mendapatkan klasifikasi data yang optimal dengan tingkat akurasi sebesar 88,89%.
Deteksi Transisi Fase Memori pada Saham PT. Adaro Energy Indonesia Tbk. Menggunakan Split-Window Hurst Exponent Rizty Badri; Hadijah Hadijah; Muhammad Hafiz; Ira Safitri
Jurnal Penelitian Inovatif Vol 6 No 2 (2026): JUPIN Mei 2026
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jupin.2382

Abstract

Fluktuasi harga saham sektor energi merupakan sistem kompleks non-linear yang seringkali tidak dapat dijelaskan sepenuhnya oleh teori Random Walk klasik. Penelitian ini bertujuan untuk mengidentifikasi karakteristik memori pasar dan mendeteksi fenomena transisi fase pada saham PT Adaro Energy Indonesia Tbk (ADRO) menggunakan pendekatan Ekonofisika. Data time series harga penutupan harian diolah menggunakan metode Rescaled Range (R/S) Analysis yang dimodifikasi dengan algoritma Split-Window Hurst Exponent untuk menangkap dinamika pada skala waktu yang berbeda. Hasil simulasi komputasi menunjukkan adanya ketidaklinieran pada plot log-log (R/S), yang mengindikasikan keberadaan titik crossover pada time lag hari. Analisis tersegmentasi mengungkapkan dua rezim dinamis yang berbeda: (1) Rezim jangka pendek (  < 20 hari) yang memiliki sifat persistensi kuat dengan nilai Hurst  = 0.64 , dan (2) Rezim jangka panjang (  > 20 hari) yang mengalami transisi menuju gerak stokastik acak dengan  = 0.488. Temuan ini mengkonfirmasi bahwa pasar saham energi memiliki "memori" tren yang hanya bertahan efektif selama satu bulan perdagangan (sekitar 20 hari kerja) sebelum kembali ke kondisi ekuilibrium efisien. Metode deteksi crossover ini terbukti lebih akurat dalam memetakan efisiensi pasar dibandingkan estimasi Hurst tunggal konvensional, karena metode ini mampu mengungkap perubahan perilaku memori pasar yang tersembunyi pada skala waktu yang spesifik.
Deteksi Transisi Fase Memori pada Saham PT. Adaro Energy Indonesia Tbk. Menggunakan Split-Window Hurst Exponent Rizty Badri; Hadijah Hadijah; Muhammad Hafiz; Ira Safitri
Jurnal Penelitian Inovatif Vol 6 No 2 (2026): JUPIN Mei 2026
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jupin.2382

Abstract

Fluktuasi harga saham sektor energi merupakan sistem kompleks non-linear yang seringkali tidak dapat dijelaskan sepenuhnya oleh teori Random Walk klasik. Penelitian ini bertujuan untuk mengidentifikasi karakteristik memori pasar dan mendeteksi fenomena transisi fase pada saham PT Adaro Energy Indonesia Tbk (ADRO) menggunakan pendekatan Ekonofisika. Data time series harga penutupan harian diolah menggunakan metode Rescaled Range (R/S) Analysis yang dimodifikasi dengan algoritma Split-Window Hurst Exponent untuk menangkap dinamika pada skala waktu yang berbeda. Hasil simulasi komputasi menunjukkan adanya ketidaklinieran pada plot log-log (R/S), yang mengindikasikan keberadaan titik crossover pada time lag hari. Analisis tersegmentasi mengungkapkan dua rezim dinamis yang berbeda: (1) Rezim jangka pendek (  < 20 hari) yang memiliki sifat persistensi kuat dengan nilai Hurst  = 0.64 , dan (2) Rezim jangka panjang (  > 20 hari) yang mengalami transisi menuju gerak stokastik acak dengan  = 0.488. Temuan ini mengkonfirmasi bahwa pasar saham energi memiliki "memori" tren yang hanya bertahan efektif selama satu bulan perdagangan (sekitar 20 hari kerja) sebelum kembali ke kondisi ekuilibrium efisien. Metode deteksi crossover ini terbukti lebih akurat dalam memetakan efisiensi pasar dibandingkan estimasi Hurst tunggal konvensional, karena metode ini mampu mengungkap perubahan perilaku memori pasar yang tersembunyi pada skala waktu yang spesifik.
Peningkatan Literasi Investasi melalui Pelatihan Analisis Matematis Pola Open Gap Up pada Investor Pemula di Kota Medan Muhammad Hafiz; Yuan Anisa; Hadijah Hadijah; Rizty Maulida Badri; Michael Sipayung
ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat Vol. 3 No. 2 (2025): ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat
Publisher : UPT Publikasi dan Penerbitan Universitas San Pedro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59632/abdiunisap.v3i2.534

Abstract

Literasi investasi merupakan kompetensi penting dalam menghadapi perkembangan pasar keuangan modern. Namun, investor pemula seringkali mengalami kesulitan memahami dinamika pergerakan harga saham, terutama dalam mengidentifikasi peluang dan risiko secara matematis. Kegiatan Pengabdian kepada Masyarakat ini bertujuan untuk meningkatkan literasi investasi melalui pelatihan analisis matematis pola Open Gap Up pada investor pemula. Metode pengabdian dilaksanakan melalui ceramah, demonstrasi, praktik langsung, dan evaluasi melalui pre-test dan post-test. Materi pelatihan mencakup konsep gap, perhitungan persentase gap, estimasi potensi keuntungan, analisis risk–reward, serta praktik menggunakan data saham riil yaitu perbankan besar di Indonesia (BBRI, BBCA, BMRI, dan BBNI)  melalui finance.yahoo.com. Jumlah peserta 50 orang. Hasil kegiatan menunjukkan bahwa peserta mengalami peningkatan pemahaman yang signifikan terhadap konsep dan analisis matematis investasi saham, serta mampu menerapkan strategi Open Gap Up secara lebih terukur yang awalnya sekitar 45,2% peserta yang faham  menjadi 68,7% peserta. Kegiatan ini diharapkan dapat menjadi kontribusi nyata bagi peningkatan literasi keuangan di masyarakat.
Analisis Distribusi Spasial dan Luasan Kelas Kemiringan Lereng Kabupaten Tapanuli Tengah Menggunakan Digital Elevation Model Nasional (DEMNAS) Sri Aningsih; Alfikri Dwi Mauluda; Shofia Ummi; Rizty Maulida Badri
Journal of Innovative and Creativity (Joecy) Vol. 6 No. 2 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i2.12765

Abstract

Kemiringan lereng merupakan salah satu parameter topografi yang berperan penting dalam berbagai analisis geospasial, seperti perencanaan tata ruang, pengelolaan sumber daya alam, dan pemodelan kebencanaan. Informasi mengenai distribusi kemiringan lereng diperlukan sebagai data dasar dalam mendukung pengambilan keputusan berbasis spasial. Penelitian ini bertujuan untuk memetakan distribusi kelas kemiringan lereng serta menghitung luas dan persentase setiap kelas lereng di Kabupaten Tapanuli Tengah menggunakan Digital Elevation Model Nasional (DEMNAS) dan Sistem Informasi Geografis (SIG). Data DEMNAS diolah menggunakan perangkat lunak QGIS melalui tahapan pemotongan data berdasarkan batas administrasi, ekstraksi kemiringan lereng (slope analysis), reklasifikasi menjadi lima kelas kemiringan, konversi raster ke poligon, serta perhitungan luas setiap kelas lereng. Hasil penelitian menunjukkan bahwa Kabupaten Tapanuli Tengah memiliki karakteristik topografi yang didominasi oleh lereng sangat curam (>40%) dengan luas 87.301,88 ha (37,36%), diikuti oleh lereng agak curam (15–25%) seluas 55.095,64 ha (23,58%) dan lereng curam (25–40%) seluas 49.897,88 ha (21,35%). Sementara itu, lereng datar (0–8%) hanya mencakup 7.695,91 ha (3,29%) dari total wilayah analisis. Distribusi tersebut menunjukkan bahwa sebagian besar wilayah Kabupaten Tapanuli Tengah memiliki morfologi berbukit hingga pegunungan. Peta kemiringan lereng beserta informasi luas setiap kelas yang dihasilkan dapat dimanfaatkan sebagai data dasar spasial (baseline geospatial dataset) dalam berbagai analisis lanjutan, seperti pemodelan kerawanan banjir, tanah longsor, evaluasi kesesuaian lahan, dan perencanaan pembangunan wilayah.
Co-Authors Alfikri Dwi Mauluda Aningsih, Sri Ardika Satria Desniarti Hadijah Hadijah Hadijah Ira Safitri Ira Safitri Ira Safitri Irawati, Febri Dwi Jonson Lumban Gaol Mahliza Nasution Michael Sipayung Mika Alvionita Muhammad Hafiz Muhammad Hafiz Nanda Novita Nasywa, Halilah Roja Ramdani, Ahmad Luky Rizki Dimas Permana Rohman, Tefur Nur RR. Ella Evrita Hestiandari Satria, Ardika Shofia Ummi Sri Wahyuni Wisnubroto, M. Syamsuddin Wiwin Handoko Yuan Anisa