Claim Missing Document
Check
Articles

Found 4 Documents
Search

ANALISIS DATA PEGAWAI UNTUK MEMPREDIKSI GAJI BERDASARKAN FAKTOR-FAKTOR SPESIFIK DENGAN PENDEKATAN MACHINE LEARNING Ramadhan, Bachtiar; Firdaus, Diash; Adiningrum, Nur Tri Ramadhanti
Naratif (Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika) Vol 5 No 2 (2023): NARATIF : Jurnal Nasional Riset Aplikasi dan Teknik Informatika
Publisher : Sekolah Tinggi Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53580/naratif.v5i2.205

Abstract

Perusahaan tidak dapat dipisahkan dari tenaga kerjanya. Salah satu faktor yang memengaruhi kemajuan perusahaan adalah kinerja karyawannya. Menyediakan gaji yang sesuai merupakan salah satu faktor penting untuk meningkatkan kinerja tenaga kerja. Sayangnya, pengembangan perusahaan saat ini tidak memiliki media keputusan untuk memprediksi gaji karyawan berdasarkan kualitas data. Studi ini bertujuan untuk menentukan prediksi gaji karyawan berdasarkan faktor-faktor tertentu. Dalam studi ini, faktor-faktor yang diuji termasuk variabel independen berupa Usia, Tingkat Jabatan, Total Tahun Bekerja, dan Tahun di Perusahaan. Kemudian variabel dependen adalah Pendapatan Bulanan. Dalam melakukan prediksi gaji karyawan terdapat beberapa Teknik analisis, Teknik analisis data yang digunakan adalah analisis regresi linier multivariat. Output aplikasi untuk hasil prediksi gaji karyawan akan ditampilkan dalam bentuk web. Pengujian model dilakukan dengan Uji f (ANOVA), R-Squared, Linearitas, Normalitas, Multikolinearitas, Autokorelasi dan Homoskedatisitas. Berdasarkan uji validitas, nilai akurasi 0,909 menunjukkan bahwa MonthlyIncome dipengaruhi oleh faktor independen (Age, YearsAtCompany) sebesar 0,909 atau 90,9%. Nilai sisa dari akurasi tersebut adalah 0,091 atau 9,1% yang artinya MonthlyIncome dipengaruhi oleh faktor lain yang tidak diketahui sebesar 9,1%. Model yang dibuat berhasil melewati semua uji pada tahap validasi model, sehingga dapat disimpulkan bahwa model yang dibuat dapat bekerja dengan baik untuk memprediksi gaji karyawan. Visualisasi data dari hasil model prediksi gaji karyawan dapat digunakan menjadi bentuk aplikasi berbasis web base dengan menggunakan framework Django. Dengan aplikasi tersebut, admin dapat melakukan prediksi gaji karyawan dengan mudah dan dengan cepat.
IMPLEMENTASI LINEAR PROGRAMMING PADA MODEL CVRPP UNTUK PENGELOLAAN OPERASIONAL LOGISTIK Adiningrum, Nur Tri Ramadhanti; Prianto, Cahyo; Setyawan, Muhammad Yusril Helmi
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12068

Abstract

Perusahaan logistik merupakan perusahaan yang memiliki kekhususan dalam penyediaan layanan logistik, yang membantu dalam mengelola fungsi rantai pasokan termasuk pergudangan, distribusi, dan transportasi. Salah satu perusahaan logistik di kota Bandung,yang bergerak di bidang layanan jasa logistik dan memiliki layanan pickup yang bertugas untuk memasarkan produk serta melakukan layanan penjemputan barang. Pada layanan ini, tahap perencanaan aktivitas seperti rute dan kapasitas kendaraan merupakan tahapan yang penting. Namun, pada penerapannya perusahaan ini belum menerapkan aktifitas perjalanan dengan rute terbaik atau hanya berdasar pengalaman driver, serta kurang memaksimalkan kapasitas angkut kendaraan. Capacitated Vehicle Routing Problem with Pickup (CVRPP) adalah metode yang digunakan dalam penanganan masalah ini. Penelitian ini bertujuan pada pembuatan model pencarian jarak dan pemaksimalan kapasitas kendaraan yang dapat meningkatkan efisiensi operasional dalam pengelolaan kapasitas dan rute logistik.  Untuk mencapai tujuan penelitian, Linear Programming dengan bahasa pemrograman Python digunakan sebagai proses perhitungan yang digunakan dan menghasilkan solusi terbaik. Hasil penelitian menunjukkan bahwa rute yang terbentuk menggunakan Linear Programming menghasilkan jarak paling pendek diantara rute lainnya dengan penghematan jarak sebesar 19.99% pada analisis dan 31.92% pada aplikasi. Hal itu juga didukung dengan evaluasi dengan Optimality Gap yang bernilai 0% atau solusi yang ditemukan adalah optimal atau sangat baik.
ANALISIS PERBANDINGAN ENSEMBLE MACHINE LEARNING DENGAN TEKNIK SMOTE UNTUK PREDIKSI DIABETES Adiningrum, Nur Tri Ramadhanti; Harani, Nisa Hanum
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 5, No 1 (2025): JEIS EDISI JANUARI 2025
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol5no1.681

Abstract

High blood glucose levels characterize a chronic disease called diabetes. Patients with diabetes will eventually experience health problems. These cases show that early detection and better diagnosis are needed. Although several Machine Learning (ML) models have been widely used in diabetes diagnosis, the algorithm performance is still between 70 - 79%. This study evaluates the use of Ensemble Machine Learning to predict diabetes using the Pima Indian Diabetes dataset. The models compared are Support Vector Machine, Linear Regression, Naive Bayes, Random Forest, AdaBoost, K Nearest Neighbour, and Decision Tree. The dataset will also be balanced using the Synthetic Minority Over-sampling Technique (SMOTE) to reduce accuracy bias. Cross-Industry Standard Process For Data Mining (CRISP-DM) is the methodology used. The accuracy results show that Random Forest with Bagging and Hard-Voting produces the best accuracy of other models. Where Random Forest produces an accuracy of 81.16% and Hard-Voting also produces an accuracy of 81.16%.Penyakit kronis yang disebut diabetes ditandai dengan kadar glukosa darah yang tinggi. Pasien dengan diabetes pada akhirnya akan mengalami masalah kesehatan. Kasus-kasus ini menunjukkan bahwa deteksi dini dan diagnosis yang lebih baik diperlukan. Meskipun beberapa model Machine Learning (ML) telah banyak digunakan dalam diagnosis diabetes, kinerja algoritmanya masih antara 70 - 79%. Untuk memutuskan apakah seseorang menderita diabetes atau tidak, penelitian ini mengevaluasi penggunaan Ensemble Machine Learning untuk memprediksi diabetes menggunakan dataset Diabetes Pima Indian. Model yang dibandingkan adalah Support Vector Machine, Linear Regression, Naive Bayes, Random Forest, Adaboost, K Nearest Neighbor, dan Decision Tree. Untuk mengurangi bias akurasi, dataset juga akan diseimbangkan menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Cross-Industry Standard Process For Data Mining (CRISP-DM) adalah metodologi yang digunakan. Hasil akurasi menunjukkan bahwa Random Forest dengan Bagging dan Hard-Voting menghasilkan akurasi terbaik dari model lainnya. Dimana Random Forest menghasilkan akurasi sebesar 81,16% dan Hard-Voting juga menghasilkan akurasi sebesar 81,16%.
RANCANG BANGUN APLIKASI PREDIKSI KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING Adiningrum, Nur Tri Ramadhanti; Rianti, Resa; Priyanto, Cahyo
Jurnal Informatika dan Teknik Elektro Terapan Vol. 11 No. 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3351

Abstract

Kanker payudara merupakan penyakit terbanyak yang ditemukan pada wanita dan angka kematiannya menempati posisi kedua kasus kanker yang dapat mempengaruhi lebih dari 2,1 juta orang pada tahun 2020. Berdasarkan kasus tersebut dapat diketahui kanker payudara adalah kanker penyebab utama kematian wanita. Namun kematian ini dapat dikurangi dengan melakukan deteksi dini terhadap sel kanker. Oleh karena itu, pencegahan kanker berperan penting dalam proses pengobatan dan membantu meningkatkan angka pemulihan hidup. Prediksi kanker dapat membantu pasien untuk berkonsultasi dengan dokter lebih cepat. Sehingga, prediksi kanker yang tepat sangat penting untuk memperbarui perawatan pasien kanker payudara. Teknik Machine Learning dapat dilakukan untuk memprediksi kanker payudara karena dapat menangkap interaksi tingkat tinggi antar data yang mungkin menghasilkan prediksi yang lebih baik untuk membedakan antara jinak dan ganas. Oleh karena itu, penelitian ini digunakan pendekatan klasifikasi yang efektif Support Vector Machine (SVM). SVM adalah model yang digunakan untuk melakukan prediksi kanker payudara. Untuk mempermudah proses prediksi, hasil prediksi kanker payudara diterapkan dalam bentuk web base dengan framework Django untuk dapat digunakan oleh dokter dalam menentukan keputusan dengan cepat. Hasil modeling menunjukkan bahwa prediksi kanker payudara menggunakan SVM memperoleh akurasi sebesar 98,24%. Sehingga model yang dibuat sangat baik sehingga aplikasi akan bekerja untuk memprediksi dengan baik.