Article Per Year (5 Year)
p-Index From 2021 - 2026
0.835
P-Index
This Author published in this journals
All Journal Data Enthusiast: Jurnal Ilmiah Sains Data
Sevi Nurafni
Universitas Koperasi Indonesia

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

Found 5 Documents
Search

 1 
Optimalisasi Akurasi Deteksi URL Phising dengan Hyperparameter-tuning RFECV dan Grid Search pada Algoritma Random Forest Chaterine Vanya Pangemanan; Sevi Nurafni
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 1 No. 1 (2025): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam konteks metode supervised learning, penelitian ini bertujuan meningkatkan akurasi model klasifikasi dalam mendeteksi URL phishing menggunakan algoritma Random Forest yang dikombinasikan dengan teknik hyperparameter tuning, yaitu Recursive Feature Elimination with Cross-Validation (RFECV) dan Grid Search. Dataset PhiUSIIL Phishing URL yang diakuisisi dari UCL Machine Learning hanya dimanfaatkan sebanyak 10.000 baris data dalam penelitian ini agar mempermudah proses. Data dibagi menjadi 80% data training dan 20% data testing. Model dilatih menggunakan Random Forest dan dioptimalkan dengan hyperparameter tuning RFECV lalu Grid Search, yang menghasilkan akurasi, precision, recall, dan F1 score sebesar 100%. Fitur-fitur 'URLSimilarityIndex', 'LineOfCode', dan 'NoOfExternalRef' memberikan kontribusi terbesar terhadap prediksi. Hasil penelitian ini menunjukkan bahwa pendekatan teknik hyperparameter tuning dan algoritma yang dipilih lebih efektif dibandingkan penelitian sebelumnya, yang hanya mencapai akurasi tertinggi 99,97%. Selain itu, penelitian ini juga mengidentifikasi pentingnya fitur 'URLLength' dalam meningkatkan kinerja model. Temuan ini menegaskan bahwa teknik hyperparameter tuning yang tepat dapat meningkatkan kinerja model klasifikasi URL phishing secara signifikan dan memberikan kontribusi penting dalam bidang keamanan siber.
Perbandingan Model Regresi Linier Berganda untuk Memprediksi Kasus Stunting di Indonesia Ryan Fadhillah Faizal Hakim; Sevi Nurafni
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 1 No. 1 (2025): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Stunting merupakan salah satu permasalahan yang tengah dihadapi Indonesia, yang berdampak pada pertumbuhan fisik dan kognitif anak-anak, serta kualitas sumber daya manusia di masa depan. Penelitian ini bertujuan untuk membangun dan membandingkan model regresi linier berganda guna memprediksi jumlah kasus stunting di Indonesia. Data yang digunakan adalah data sekunder dari Kementerian Dalam Negeri serta data Hasil Riset Kesehatan Dasar 2018 dari Kementerian Kesehatan. Metode yang digunakan adalah Ordinary Least Squares (OLS). Variabel-variabel independen yang dianalisis meliputi jumlah balita, penanganan tinja, akses ke rumah sakit dan puskesmas, insiden diare, status gizi buruk, program pemberian makanan tambahan, imunisasi, dan prematuritas. Analisis menunjukkan bahwa beberapa variabel, seperti jumlah balita, akses ke rumah sakit, diare, status gizi buruk, dan program pemberian makanan tambahan, memiliki pengaruh signifikan terhadap jumlah kasus stunting. Hasil model menunjukkan bahwa model 1 regresi linier yang dibangun memiliki nilai Adj. R-Squared sebesar 97,2% dan model 2 regresi linier memiliki nilai Adj. R-Squared sebesar 96% yang menunjukkan kemampuan model dalam menjelaskan variabilitas data stunting dengan baik. Kedua model ini dapat digunakan untuk memprediksi kasus stunting dan mengidentifikasi variabel-variabel yang berkontribusi secara signifikan. Kesimpulannya, model regresi linier berganda yang dikembangkan dapat menjadi alat yang efektif dalam memprediksi kasus stunting dan membantu pemerintah serta pembuat kebijakan dalam merumuskan strategi intervensi yang lebih tepat guna mengurangi prevalensi stunting di Indonesia.
Perbandingan Model Regresi Linier dengan Linear Support Vector Regression dalam Memprediksi Kasus Stunting di Jawa Barat Ryan Fadhillah Faizal Hakim; Sevi Nurafni
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 1 No. 2 (2025): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Stunting merupakan masalah kesehatan yang serius di Indonesia, khususnya di Jawa Barat, yang dapat berdampak pada pertumbuhan fisik dan perkembangan kognitif anak. Penelitian ini bertujuan untuk membandingkan keakuratan model regresi linier dengan metode Ordinary Least Squares (OLS) dan model Linear Support Vector Regression (Linear SVR) dalam memprediksi jumlah kasus stunting di Jawa Barat. Data yang digunakan adalah data sekunder dari Dinas Kesehatan Jawa Barat, yang mencakup jumlah balita stunting dan jumlah balita bergizi buruk dari tahun 2019 hingga 2023. Analisis dilakukan dengan menggunakan bahasa pemrograman Python dan beberapa library terkait. Hasil penelitian menunjukkan bahwa nilai Adjusted R-Squared (Adj. R-Squared) dari kedua model adalah sama, yaitu sebesar 0.795 atau 79.5%. Ini menunjukkan bahwa kedua model memiliki kemampuan yang setara dalam menjelaskan variabilitas data jumlah balita stunting berdasarkan variabel jumlah balita bergizi buruk. Model regresi linier memberikan interpretasi koefisien yang langsung, sedangkan model Linear SVR menawarkan fleksibilitas yang lebih besar dalam mengatur margin dan kesalahan. Kesimpulan dari penelitian ini adalah bahwa kedua model dapat digunakan untuk memprediksi jumlah kasus stunting dengan keakuratan yang sama, namun pemilihan model terbaik harus mempertimbangkan karakteristik data dan kebutuhan interpretasi.
Menganalisis Hubungan antara Variabel X dan Variabel Y Menggunakan Simple Linear Silvi Nurinsan; Sevi Nurafni
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 1 No. 2 (2025): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dataset ini berisi informasi mengenai data pelatihan mahasiswa di sebuah institusi pendidikan. Data mencakup berbagai atribut seperti ID mahasiswa, nama, umur, gender, nilai akhir, mata kuliah, tanggal pelaksanaan, serta nilai UTS dan UAS. Dataset ini dapat digunakan untuk menganalisis performa akademik berdasarkan berbagai faktor seperti gender, mata kuliah, dan nilai ujian. Informasi yang terkandung dalam dataset ini dapat membantu dalam pengambilan keputusan terkait peningkatan kurikulum, pembelajaran, dan evaluasi mahasiswa.
Prediksi Kepadatan Nutrisi Buah-buahan dengan Model Regresi Linear Berganda dan Ordinary Least Square (OLS) Catherine Vanya Pangemanan; Sevi Nurafni
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 1 No. 2 (2025): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kepadatan nutrisi makanan, khususnya buah-buahan, menjadi kritis dalam mencegah malnutrisi dan penyakit terkait gizi. Penelitian ini menggunakan Regresi Linier Berganda untuk memprediksi kepadatan nutrisi pada 572 jenis buah berdasarkan kandungan nutrisi seperti protein, serat, vitamin A, vitamin C, vitamin E, kalsium, magnesium, kalium, dan zat besi. Analisis menunjukkan bahwa setiap kenaikan satu unit dalam kandungan protein, serat, dan vitamin C menghasilkan peningkatan kepadatan nutrisi yang diprediksi sebesar 1.002, 1.003, dan 1.004 unit, masing-masing. Model Regresi Linier Berganda yang dikembangkan memiliki Adjusted R-squared sebesar 1.00, menunjukkan bahwa model secara efektif menjelaskan variabilitas data. Uji-F ANOVA menunjukkan bahwa semua variabel prediktor berkontribusi secara signifikan terhadap kepadatan nutrisi (F(34, 537) = 2275.28, p < 0.001). Penelitian ini menjadi penguat dari penelitian terdahulu [1,2,4,5]. Selain itu untuk penelitian berikutnya, penelitian ini dapat menjadi dasar karena penelitian ini menekankan manfaat kepadatan nutrisi dalam meningkatkan kesehatan dan mengurangi risiko penyakit kronis. Studi ini menyoroti pentingnya buah-buahan sebagai sumber utama kepadatan nutrisi yang dapat meningkatkan kesehatan populasi.
Co-Authors Catherine Vanya Pangemanan Chaterine Vanya Pangemanan Ryan Fadhillah Faizal Hakim Silvi Nurinsan