Article Per Year (5 Year)
p-Index From 2021 - 2026
0.947
P-Index
This Author published in this journals
All Journal Journal on Education Journal of Innovation Information Technology and Application (JINITA) Journal of Computers and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology
Md. Wira Putra Dananjaya
Universitas Pendidikan Nasional
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Social Sciences

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Analisis Penggunaan Regresi Linier Sederhana dalam Memprediksi Nilai Matematika Berdasarkan Faktor Demografi dan Akademik Md. Wira Putra Dananjaya
Journal on Education Vol 7 No 1 (2024): Journal on Education: Volume 7 Nomor 1 Tahun 2024
Publisher : Departement of Mathematics Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joe.v7i1.7610

Abstract

Penelitian ini bertujuan untuk mengevaluasi kemampuan regresi linier sederhana dalam memprediksi nilai matematika siswa (Math_Score) berdasarkan faktor demografi dan akademik, yaitu Gender, Attendance_Rate, dan Extracurriculars. Dataset yang digunakan diproses melalui teknik encoding untuk variabel kategorikal dan penanganan nilai yang hilang. Model diuji dengan data latih dan data uji, serta dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R²). Hasil menunjukkan nilai MAE sebesar 25.72, RMSE sebesar 29.06, dan R² sebesar 0.0118, mengindikasikan bahwa model memiliki kinerja prediktif yang rendah. Visualisasi residual mengungkap pola distribusi yang tidak normal dan sistematis, melanggar asumsi dasar regresi linier. Koefisien regresi menunjukkan bahwa variabel independen memiliki pengaruh yang lemah terhadap prediksi nilai matematika. Kesimpulannya, regresi linier sederhana kurang cocok untuk data ini karena hubungan antarvariabel cenderung kompleks. Diperlukan penambahan variabel relevan, seperti waktu belajar atau tingkat kesulitan materi, serta model prediktif yang lebih kompleks untuk meningkatkan akurasi. Studi ini memberikan wawasan awal dalam analisis faktor-faktor yang memengaruhi performa akademik siswa.
Application of Machine Learning for Academic Outcome Prediction: A Methodological Comparative Study Md. Wira Putra Dananjaya; Putu Gita Pujayanti
Journal of Innovation Information Technology and Application (JINITA) Vol 7 No 1 (2025): JINITA, June 2025
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/jinita.v7i1.2540

Abstract

Academic performance prediction is a crucial area in education; however, the complexity of influencing factors often cannot be adequately captured by simple linear models. This research conducts a methodological comparative analysis of five machine learning models Simple Linear Regression, Multiple Linear Regression (MLR), Decision Tree, Random Forest, and Artificial Neural Network (ANN) to determine the most accurate predictive approach using a comprehensive dataset encompassing academic, behavioral, and psychosocial factors. The models were evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and R-squared (R2) metrics. Evaluation results on the test data revealed that the Multiple Linear Regression (MLR) model unexpectedly delivered the most superior performance, achieving an R2 value of 0.7324 and the lowest RMSE of 2.0391. Further analysis from non-linear models identified Attendance and Hours_Studied as the two factors with the highest predictive influence. This study concludes that interpretable models like MLR can be highly effective when supported by relevant features, offering practical implications for institutions to develop effective early warning systems by focusing on key, actionable factors.
Beyond Binary Classification: Time-to-Event Modeling for Player Retention Using Cox Proportional Hazards and Ensemble Learning Md. Wira Putra Dananjaya
Journal of Computers and Digital Business Vol. 5 No. 1 (2026)
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i1.792

Abstract

Player retention is the primary economic driver in the Free-to-Play (F2P) gaming industry, yet traditional churn prediction methodologies often rely solely on binary classification, neglecting the critical temporal dimension of when a player is likely to leave. Furthermore, the scarcity of open-source behavioral datasets restricts the development of reproducible academic frameworks. This study addresses these gaps by proposing a hybrid analytical framework that integrates Ensemble Learning (XGBoost) for predictive precision and Survival Analysis (Cox Proportional Hazards) for time-to-event risk modeling, utilizing a realistically simulated dataset of 5,000 players. Experimental results indicate that while the XGBoost model achieves robust discriminative stability with an AUC of roughly 0.90, the Survival Analysis provides deeper explanatory insights, revealing that game progression (level_reached) is a significantly more dominant determinant of retention (Hazard Ratio < 1.0) than short-term recency metrics. These findings suggest that depth of commitment acts as a stronger buffer against churn than login frequency, offering game developers a quantifiable basis to shift retention strategies from generic daily incentives to progression-based milestones. By openly providing the simulated dataset and full analytical pipeline, this work also contributes a reproducible methodological template for future game analytics research in data-scarce environments.
Mitigasi Double Booking pada Penjadwalan Dermaga Melalui Sistem Visualisasi Spasial Real-Time Dimas Rangga Marshandika; Gede Humaswara Prathama; Adie Wahyudi Oktavia Gama; Md. Wira Putra Dananjaya
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.13111

Abstract

Pelabuhan Benoa sebagai salah satu simpul penting logistik maritim menghadapi tantangan operasional berupa latensi informasi dan potensi tumpang tindih jadwal (double booking) pada proses pra-penjadwalan sandar kapal yang masih dikelola secara konvensional. Penelitian ini bertujuan untuk merancang dan membangun sebuah sistem Pra-Booking dan monitoring dermaga berbasis website yang dilengkapi dengan visualisasi Berthing Plan secara real-time. Pembangunan perangkat lunak ini menggunakan metode Prototyping dengan memanfaatkan kerangka kerja React.js berarsitektur Virtual DOM pada sisi antarmuka untuk merender tata letak grafik dua dimensi secara responsif. Pada sisi server, sistem menggunakan Node.js dan pustaka Socket.io untuk mengelola transmisi data berlatensi rendah. Basis data PostgreSQL digunakan untuk mengamankan integritas transaksional melalui penerapan mekanisme penguncian baris data (row-level locking). Logika pencegahan benturan jadwal dikelola melalui algoritma Bounding Box Collision yang mengevaluasi irisan spasial dan temporal secara simultan, serta didukung oleh fitur mitigasi keterlambatan operasional (Extend Time). Hasil pengujian fungsional menggunakan metode Black Box Testing yang menerapkan teknik Equivalence Partitioning dan Boundary Value Analysis menunjukkan tingkat keberhasilan 100%. Hal ini membuktikan bahwa algoritma validasi kapasitas fisik dermaga dan deteksi konflik beroperasi secara akurat. Selanjutnya, pengujian penerimaan pengguna (User Acceptance Testing) yang melibatkan agen pelayaran menghasilkan persentase rata-rata sebesar 90,63%, menempatkan sistem pada kategori "Sangat Layak". Sistem ini terbukti efektif mereduksi miskomunikasi, menjaga transparansi data, dan siap diimplementasikan untuk mendukung tata kelola operasional di Dermaga Timur Pelabuhan Benoa.
Pemodelan Prediksi Banjir di Kota Denpasar Menggunakan Random Forest Theresia Ananda Eleonora; Adie Wahyudi Oktavia Gama; Gede Humaswara Prathama; Md. Wira Putra Dananjaya
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.13424

Abstract

Banjir merupakan salah satu bencana hidrometeorologi yang paling sering terjadi di Indonesia, dan Kota Denpasar, Bali, menghadapi kejadian banjir berulang akibat pesatnya urbanisasi, berkurangnya daerah resapan air, serta kondisi topografi yang rendah. Penelitian ini mengembangkan model prediksi potensi banjir untuk Kota Denpasar menggunakan algoritma Random Forest, yang dilatih menggunakan lima variabel lingkungan berbasis penginderaan jauh yang diekstraksi melalui Google Earth Engine, yaitu curah hujan (CHIRPS), elevasi (SRTM), tutupan lahan (ESA WorldCover), indeks vegetasi (NDVI dari Landsat 8), dan kelembapan tanah (ERA5-Land). Data historis lokasi kejadian banjir dari Badan Penanggulangan Bencana Daerah (BPBD) Kota Denpasar periode 2020-2025 digabungkan dengan variabel-variabel lingkungan tersebut untuk membentuk dataset berlabel. Teknik Random Undersampling diterapkan untuk mengatasi ketidakseimbangan kelas, menghasilkan dataset seimbang sebanyak 416 data, yang kemudian dibagi menjadi 80% data latih dan 20% data uji. Tiga konfigurasi model dibangun dan dibandingkan, yaitu Random Forest baseline, model hasil optimasi Grid Search, dan model hasil optimasi Particle Swarm Optimization (PSO), yang masing-masing dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Di antara ketiga konfigurasi model, model Random Forest baseline menghasilkan performa terbaik secara keseluruhan, dengan accuracy tertinggi (88,10%), precision tertinggi (83,33%), recall tertinggi (95,24%), dan F1-score tertinggi (88,89%), serta waktu komputasi tersingkat (0,23 detik). Sebaliknya, optimasi menggunakan Grid Search dan PSO justru menurunkan performa di seluruh metrik evaluasi dibandingkan baseline, dengan accuracy masing-masing sebesar 84,52% dan 85,71%. Temuan ini menunjukkan bahwa kombinasi data penginderaan jauh dengan algoritma Random Forest mampu menghasilkan model prediksi potensi banjir yang andal untuk mendukung perencanaan mitigasi bencana di Kota Denpasar.
Co-Authors Adie Wahyudi Oktavia Gama Dimas Rangga Marshandika Gede Humaswara Prathama Putu Gita Pujayanti Theresia Ananda Eleonora