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 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

Abstract

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.
Edukasi Model Matematika dalam Menganalisis Harga Wajar dan Estimasi Peluang Penjatahan Saham IPO sebagai Strategi Investor Pemula Muhammad Hafiz; Yuan Anisa; Nanda Novita; Desniarti; Mahliza Nasution; Hadijah; Rizty Maulida Badri
Jurnal Pengabdian kepada Masyarakat (PEMAS) Vol. 3 No. 2 (2026): Mei 2026
Publisher : Yayasan Ran Edu Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63866/pemas.v3i2.129

Abstract

Kurangnya pemahaman investor pemula mengenai analisis saham IPO menyebabkan keputusan investasi sering dilakukan tanpa pertimbangan kuantitatif yang memadai. Kegiatan Pengabdian Kepada Masyarakat (PKM) ini bertujuan memberikan edukasi dan pelatihan mengenai penggunaan model matematika sederhana dalam menentukan harga wajar saham IPO menggunakan metode Price Earning Ratio (P/E Ratio) serta estimasi peluang penjatahan saham melalui pendekatan probabilitas. Kegiatan dilaksanakan selama satu hari secara daring menggunakan aplikasi Zoom Meeting dengan metode ceramah, demonstrasi, praktik perhitungan, dan diskusi interaktif kepada 50 peserta yang terdiri dari mahasiswa dan masyarakat umum. Contoh saham IPO yang digunakan meliputi PT Wira Bakti Sejahtera Tbk (WBSA), PT Chandra Daya Investasi Tbk (CDIA), dan PT Hartadinata Abadi Tbk (EMAS). Hasil evaluasi pre-test dan post-test menunjukkan peningkatan rata-rata pemahaman peserta sebesar 47,8%, dari nilai rata-rata pre-test 34,4% menjadi 82,2% pada post-test. Sebanyak 74% peserta mencapai kategori nilai Sangat Baik (≥80) pada post-test. Peserta juga mampu melakukan simulasi perhitungan harga wajar dan probabilitas penjatahan secara mandiri. Kegiatan ini diharapkan dapat meningkatkan literasi keuangan masyarakat serta membantu investor pemula dalam mengambil keputusan investasi yang lebih rasional dan terukur.
Model Explainable Machine Learning pada Aplikasi Nutrisiaga untuk Prediksi Risiko Stunting di Wilayah Pascabencana Sri Wahyuni; Wiwin Handoko; Hadijah; Muhammad Hafiz; Rizty Maulida Badri
Jurnal Nasional Teknologi Komputer Vol 6 No 2 (2026): April 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i2.442

Abstract

Stunting merupakan masalah gizi kronis yang berpotensi meningkat pada periode pascabencana akibat terganggunya akses pangan, layanan kesehatan, sanitasi, serta meningkatnya kerentanan kelompok anak. Dalam kondisi tersebut, diperlukan kemampuan untuk memprediksi risiko stunting secara lebih dini agar intervensi gizi darurat dapat ditetapkan secara tepat sasaran. Penelitian ini mengembangkan Model Explainable Machine Learning pada aplikasi Nutrisiaga untuk memprediksi risiko stunting di wilayah pascabencana dengan pendekatan yang transparan bagi tenaga kesehatan. Model prediksi dibangun menggunakan tiga algoritma, yaitu Random Forest, XGBoost, dan Neural Network, yang dilatih dengan fitur terkait karakteristik anak dan faktor pendukung di lingkungan pascabencana. Untuk mengatasi keterbatasan interpretasi dari model berbasis machine learning, penelitian ini mengintegrasikan Explainable AI (XAI) menggunakan metode SHAP dan LIME sebagai alat interpretabilitas. SHAP digunakan untuk mengukur kontribusi tiap fitur terhadap hasil prediksi, sedangkan LIME digunakan untuk memberikan penjelasan lokal pada contoh data tertentu sehingga pengguna dapat memahami alasan model pada kasus yang spesifik. Hasil pengujian menunjukkan bahwa model dapat memberikan prediksi risiko stunting yang terukur, sementara visualisasi dan skor interpretasi dari SHAP serta LIME membantu pengguna dalam mengidentifikasi faktor dominan yang memengaruhi prediksi. Dengan demikian, penelitian ini berkontribusi pada pengembangan aplikasi nutrisi yang tidak hanya mampu memprediksi risiko stunting, tetapi juga menyediakan penjelasan yang mendukung pengambilan keputusan intervensi gizi darurat secara lebih akuntabel dan dapat dipahami.
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