Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik (JUIT) International Journal Science and Technology (IJST) Jurnal Abdi Masyarakat Multidisiplin
Nurdiyanto Yusuf
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
PREDIKSI PRODUKSI DAGING SAPI DI INDONESIA MENGGUNAKAN RANDOM FOREST REGRESSION: ANALISIS DATA 2018-2025 Nurdiyanto Yusuf
Jurnal Ilmiah Teknik Vol. 3 No. 2 (2024): Mei : Jurnal Ilmiah Teknik
Publisher : Asosiasi Dosen Muda Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56127/juit.v3i2.1620

Abstract

Produksi daging sapi merupakan salah satu komponen penting dalam memenuhi kebutuhan protein hewani di Indonesia. Namun, distribusi dan tingkat produksi yang tidak merata di berbagai provinsi menimbulkan tantangan dalam pengelolaan dan perencanaan yang efektif. Penelitian ini bertujuan untuk memprediksi produksi daging sapi di Indonesia untuk tahun 2024 dan 2025 dengan menggunakan model prediksi berbasis Random Forest Regression, yang memanfaatkan data produksi historis dari tahun 2018 hingga 2023. Metode yang digunakan melibatkan pengumpulan data produksi daging sapi dari berbagai provinsi di Indonesia, diikuti dengan preprocessing data dan pembangunan model prediksi menggunakan algoritma Random Forest. Evaluasi model dilakukan dengan menggunakan metrik Mean Squared Error (MSE) dan R-squared (R²) untuk menilai akurasi dan kemampuan model dalam menjelaskan variabilitas data. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja yang sangat baik dengan nilai R-squared sebesar 0.946, yang mengindikasikan bahwa model ini mampu menjelaskan sekitar 94.6% dari variabilitas data produksi daging sapi. Prediksi menunjukkan bahwa Jawa Timur, Jawa Barat, dan Jawa Tengah akan tetap menjadi provinsi dengan produksi daging sapi tertinggi, sementara banyak provinsi di bagian timur Indonesia akan memiliki produksi yang relatif rendah. Temuan ini dapat digunakan untuk mendukung pengambilan keputusan strategis dalam upaya meningkatkan produksi daging sapi dan mengoptimalkan distribusi di seluruh Indonesia.
PENGABDIAN MASYARAKAT PENGENALAN PROGRAM LOGIC CONTROLLER (PLC) TERHADAP OTOMASI INDUSTRI Abdul Muchlis; Abdul Rahman Agung Ramadhan; Dwi Arif Santoso; Nurdiyanto Yusuf
 Jurnal Abdi Masyarakat Multidisiplin Vol. 3 No. 1 (2024): April: JURNAL ABDI MASYARAKAT MULTIDISIPLIN
Publisher : Asosiasi Dosen Muda Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56127/jammu.v3i1.1545

Abstract

Pengabdian kepada Masyarakat ini bertujuan untuk memberikan pengenalan Program Logic Controller (PLC) berdasarkan Ilmu Otomasi Industri bersama Asosiasi Dosen Muda Indonesia (ADMI). Kegiatan ini merupakan hasil kerjasama antara Universitas Gunadarma dan ADMI, dilaksanakan selama tahun ajaran ATA 2023-2024 melalui pertemuan online dan offline. Fokus kegiatan adalah pada pengenalan PLC untuk membantu masyarakat dalam pekerjaan maupun kehidupan sehari-hari, terutama di kota Bekasi. Teknis pelaksanaan kegiatan di lapangan melibatkan 4 Fakultas dengan 10 bidang ilmu terkait, seperti sistem informasi, sistem komputer, akuntansi, manajemen, teknik elektro, teknik industri, teknik mesin, teknik sipil, ilmu komunikasi, dan Sastra Inggris. Kegiatan ini merupakan terapan dari bidang unggulan Universitas dalam Teknologi Informasi dan Komunikasi (TIK) dan disampaikan kepada Lembaga Pengabdian kepada Masyarakat Universitas Gunadarma (LPM-UG) sebagai laporan monitoring dan evaluasi. Target luaran kegiatan PKM ini mencakup publikasi jurnal, dokumentasi pelaksanaan berupa video, serta peningkatan partisipasi dosen. Hasil yang diharapkan adalah meringankan beban kehidupan masyarakat dan meningkatkan pengetahuan mereka tentang PLC.
Predicting Defensive Formation Effectiveness in Football Using Random Forest and LSTM Models Nurdiyanto Yusuf
International Journal Science and Technology Vol. 4 No. 3 (2025): November: International Journal Science and Technology
Publisher : Asosiasi Dosen Muda Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56127/ijst.v4i3.2271

Abstract

Defensive strategies are fundamental to football success, yet the evaluation of formation effectiveness often remains subjective. This study proposes a data-driven approach to predict the most effective defensive formations by integrating machine learning models. Using tracking-derived features from 150 professional European matches (2018–2023), Random Forest (RF) and Long Short-Term Memory (LSTM) models were applied to assess defensive outcomes. The results indicate that the 5-3-2 formation consistently achieved the highest predicted defensive success across direct, wing, and central attacks, followed by 4-4-2, while the 4-3-3 formation exhibited the weakest defensive stability. RF identified key static features such as line height, block width, and compactness, while LSTM captured temporal dynamics of coordinated player movements, yielding superior predictive performance. This study concludes that combining interpretable ensemble models with sequence-based neural networks offers a robust framework for tactical analysis. The findings provide actionable insights for coaches and analysts, supporting evidence-based decision-making in optimizing defensive strategies in modern football.
Co-Authors Abdul Muchlis Dwi Arif Santoso Dwi Arif Santoso Ramadhan, Abdul Rahman Agung