Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Bigint Computing Journal Journal of Mathematics, Computation and Statistics (JMATHCOS)
Rini Halila Nasution
Universitas Islam Negeri Sumatera Utara
Computer Science & IT Economics, Econometrics & Finance Education Mathematics Social Sciences

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI KELAYAKAN PEMBERIAN KREDIT SEPEDA MOTOR Sriani Sriani; Rini Halila Nasution; Soyah Humaira
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 7, No 2 (2024): May 2024
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v7i2.1872

Abstract

Ada beberapa prosedur yang ditentukan oleh masing-masing lembaga keuangan bukan bank dalam melakukan kredit. Hal ini dilakukan agar pihak finance tidak melakukan kesalahan dalam menyalurkan dana yang dialokasikan dapat dikembalikan sesuai dengan jangka waktu yang disepakati. Menentukan seorang nasabah layak atau tidak layak dalam kredit sepeda motor, pegadaian melakukan secara manual menggunakan Microsoft Excell maka dari itu dibuat sistem website untuk menghitung secara efisien saat mengajukan kredit hasilnya layak atau tidak layak dalam kredit sepeda motor. Untuk menganalisis data-data tersebut maka digunakanlah metode dalam machine learning seperti Naive Bayes Classifier. Naive Bayes Classifier merupakan salah satu algoritma dalam teknik data mining yang menerapkan teori bayes dalam klasifikasi. Teorema keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (Pattern Recognation). Pengujian dilakukan dengan menyiapkan data training sebanyak 84 data dan data testing sebanyak 21 data. Pada aplikasi ini metode Naïve bayes diukur dengan 11 variabel atribut sesuai dengan prinsip kelayakan pemberian kredit. Adapun variabel tersebut adalah nama, umur, jenis kelamin, karakter, usaha/bekerja, pendapatan, tanggungan, pengeluaran, rumah, pinjaman dan status yaitu layak atau tidak layak. Didapat hasil pengujian akurasi dengan metode Naïve bayes cukup tinggi dan sangat baik yaitu sebesar 100%.
Geographically Weighted Regression Model in the Case of Unemployment in North Sumatra Muhammad Arfie Munawar; Fibri Rahkmawati; Rini Halila Nasution
Journal of Mathematics, Computations and Statistics Vol. 9 No. 1 (2026): Volume 09 Issue 01 (March 2026)
Publisher : Jurusan Matematika FMIPA UNM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/3vd63s64

Abstract

Unemployment is a major and complex issue that affects many aspects of society, particularly in regions such as North Sumatra. This issue is not merely about numbers it also concerns the welfare of the population. Each district or city exhibits varying levels of unemployment; some areas have high rates, while others are relatively low. These variations reflect a clear spatial heterogeneity. To address the significant spatial variation in the factors contributing to unemployment, this study applies the Geographically Weighted Regression (GWR) model to analyze and model unemployment in North Sumatra, taking into account the spatial variability of each independent variable’s influence. GWR is a regression method that allows model parameters to vary across geographic locations, making it possible to capture non-uniform relationships at different spatial points. The methodology involves four weighting functions adaptive Gaussian, adaptive bisquare, fixed Gaussian, and fixed bisquare to identify the most optimal model. The best-performing GWR model is then constructed, and the spatial distribution patterns of unemployment are analyzed. The data used in this study are sourced from official statistics. The results show that the adaptive bisquare GWR model provides the best performance, yielding the lowest AIC value of 130.066. Variables such as population density and population growth rate are significant in most regions. However, number of industries is only significant in certain areas, while total population and minimum wage are not significant. These findings indicate that the factors driving unemployment and their spatial distribution vary across regions, highlighting the importance of considering spatial heterogeneity.
Expert System Mengdiagnosa Kerusakan Hardware Komputer Dengan Metode Forward Chaining Riki Hisbullah; Taufik Hidayat Hasibuan; Fachry Syam; Rini Halila Nasution
Bigint Computing Journal Vol 1 No 1 (2023)
Publisher : Ali Institute of Reseach and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/bigint.v1i1.570

Abstract

Komputer adalah sekumpulan konponen yang diinstalasi menjadi satu kesatuan dengan tujuan sebagai mesin cerdas yang dapat membantu manusia dalam mengola segala jenis informasi, baik itu membuat data, memanfaatkan sebagai media penyimpanan agar informasinya dapat ditemukan dilain waktu, melakukan perubahan data yang tersimpan, serta melakukan penghapusan data yang tersimpan pada media penyimpanan yang diintalasikan pada komputer. Dalam penggunaan komputer akan ada masa dimana suatu kerusakan tidak dapat dihindari, biasanya kerusakan pada komputer dapat terjadi dikarenakan pengguna itu sendiri atau karena kerusakan internal yang membuat komputer itu sendiri gagal fungsi dalam beroperasi. Kerusakan pada komputer dapat berupa sistem operasi (Software) yang rusak atau perangkat keras (Hardware) yang biasanya kerusakan terjadi pada bagian komponen yang ada dikomputer yang sering diakibatkan karena pengkat yang jatuh sehingga mengakibatkan komponen rusak,  atau terjadi arus pendek (korsleting) pada listrik yang mengalir pada komputer saat komputer sedang digunakan, sehingga dituangkan sebuah pengetahuan didalam aplikasi yang dibangun dalam penelitian ini yang berguna pengguna dalam mendeteksi kerusakan di komputer yang dimiliki.
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI KELAYAKAN PEMBERIAN KREDIT SEPEDA MOTOR Sriani Sriani; Rini Halila Nasution; Soyah Humaira
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 7 No. 2 (2024): May 2024
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v7i2.1872

Abstract

Ada beberapa prosedur yang ditentukan oleh masing-masing lembaga keuangan bukan bank dalam melakukan kredit. Hal ini dilakukan agar pihak finance tidak melakukan kesalahan dalam menyalurkan dana yang dialokasikan dapat dikembalikan sesuai dengan jangka waktu yang disepakati. Menentukan seorang nasabah layak atau tidak layak dalam kredit sepeda motor, pegadaian melakukan secara manual menggunakan Microsoft Excell maka dari itu dibuat sistem website untuk menghitung secara efisien saat mengajukan kredit hasilnya layak atau tidak layak dalam kredit sepeda motor. Untuk menganalisis data-data tersebut maka digunakanlah metode dalam machine learning seperti Naive Bayes Classifier. Naive Bayes Classifier merupakan salah satu algoritma dalam teknik data mining yang menerapkan teori bayes dalam klasifikasi. Teorema keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (Pattern Recognation). Pengujian dilakukan dengan menyiapkan data training sebanyak 84 data dan data testing sebanyak 21 data. Pada aplikasi ini metode Naïve bayes diukur dengan 11 variabel atribut sesuai dengan prinsip kelayakan pemberian kredit. Adapun variabel tersebut adalah nama, umur, jenis kelamin, karakter, usaha/bekerja, pendapatan, tanggungan, pengeluaran, rumah, pinjaman dan status yaitu layak atau tidak layak. Didapat hasil pengujian akurasi dengan metode Naïve bayes cukup tinggi dan sangat baik yaitu sebesar 100%.
Co-Authors Fachry Syam Fibri Rahkmawati Muhammad Arfie Munawar Riki Hisbullah Soyah Humaira Taufik Hidayat Hasibuan