Garuda - Garba Rujukan Digital

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

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

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%.

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

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

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

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

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

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

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

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.

Prediksi Harga Rumah Berbasis Machine Learning dengan Explainable AI untuk Interpretabilitas Faktor Penentu Hadijah; Wiwin Handoko; Rizty Maulida Badri
Management of Information System Journal Vol 4 No 3: Juli 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/mis.v4i3.2860

House prices are determined by numerous interrelated factors, making it essential to develop prediction methods that are not only accurate but also interpretable by property business practitioners, investors, and policymakers. This study aims to construct a house price prediction model using a machine learning approach integrated with Explainable Artificial Intelligence (XAI) to produce predictions that are more transparent and comprehensibly interpretable. The data used in this study were derived from real property listings, incorporating several key variables including building area, land area, number of bedrooms, number of bathrooms, and garage capacity. Four machine learning algorithms were evaluated and compared, namely Linear Regression, Random Forest, XGBoost, and Gradient Boosting. The performance of each model was assessed using multiple evaluation metrics, comprising Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), coefficient of determination (R²), and Mean Absolute Percentage Error (MAPE). Experimental results demonstrate that the Random Forest algorithm achieved the best performance, yielding an R² value of 0.7636, MAE of IDR 1.305 billion, RMSE of IDR 2.037 billion, and MAPE of 25.84%. The best-performing model was subsequently analyzed using SHapley Additive exPlanations (SHAP) to provide both global and local model interpretability, as well as Local Interpretable Model-agnostic Explanations (LIME) to explain individual predictions at the instance level. The analysis reveals that building area and land area are the most influential factors in determining house prices. The proposed approach demonstrates a measurable improvement in model transparency, rendering prediction outcomes more comprehensible and trustworthy for end users.

Title

Found 12 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 12 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 12 Documents
Search