Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnas Nasional Teknologi dan Sistem Informasi JATI (Jurnal Mahasiswa Teknik Informatika)
Helmi Setyawan, M. Yusril
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS KOMPARASI METODE PROPHET DAN METODE EXPONENTIAL SMOOTHING DALAM PERAMALAN JUMLAH PENGANGGURAN DI JAWA BARAT: SYSTEMATIC LITERATURE REVIEW Giovany Syuhada, Esadhira; Helmi Setyawan, M. Yusril
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 2 (2023): JATI Vol. 7 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i2.6827

Abstract

Pengangguran yang terus meningkat di Jawa Barat menjadi masalah serius yang mempengaruhi perekonomian, kemiskinan, dan ketimpangan ekonomi di wilayah tersebut. Oleh karena itu, prediksi terhadap jumlah pengangguran di masa depan menjadi penting untuk mengatasi masalah ini. Literature Review ini akan memberikan sebuah tinjauan sistematis mengenai peramalan pengangguran yang sudah dilakukan sebelumnya. Pada penelitian ini digunakan artikel-artikel yang diterbitkan dari tahun 2019-2023 dalam melakukan literature review. Literature review ini bertujuan untuk melakukan analisis komparasi antara metode Prophet dan metode Exponential Smoothing dalam melakukan peramalan jumlah pengangguran di Jawa Barat. Metode Prophet merupakan metode peramalan yang relatif baru dan telah digunakan secara luas dalam beberapa tahun terakhir, sedangkan metode Exponential Smoothing merupakan metode peramalan yang telah digunakan selama beberapa dekade. Data akan dianalisis dengan menggunakan metode Prophet dan metode Exponential Smoothing, dan hasilnya dibandingkan untuk menentukan metode mana yang lebih baik dalam melakukan peramalan jumlah pengangguran di Jawa Barat. Menurut hasil studi literatur terhadap penelitian yang sudah dilakukan menunjukkan bahwa metode Prophet lebih baik dalam melakukan peramalan jumlah pengangguran di Jawa Barat daripada metode Exponential Smoothing. Metode Prophet menghasilkan nilai error yang lebih rendah dan lebih akurat dalam memprediksi jumlah pengangguran di masa depan. Oleh karena itu, metode Prophet dapat dijadikan alternatif metode peramalan yang lebih baik dalam memprediksi jumlah pengangguran di Jawa Barat.
Evaluasi Model Deep Reinforcement Learning Untuk Adaptasi Konten Pembelajaran Berdasarkan Performa Siswa Abdul Aziz, Fahad; Helmi Setyawan, M. Yusril; Prianto, Cahyo
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 1 (2026): April 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i1.2026.105-112

Abstract

Transformasi digital dalam pendidikan telah mempercepat integrasi (Artificial Intelligence/AI), khususnya pada sistem pembelajaran adaptif. Sistem konvensional sering kali gagal menyesuaikan materi dengan performa dan kecepatan belajar individu. Untuk mengatasi hal ini, penelitian ini mengimplementasikan Deep Reinforcement Learning (DRL) guna membangun model rekomendasi konten adaptif berdasarkan riwayat interaksi dan hasil belajar siswa. Dua model agen Deep Q-Network (DQN) dan Double DQN (DDQN) dikembangkan dan dievaluasi dalam lingkungan belajar simulatif menggunakan dataset EdNet-KT1, yang berisi data interaksi siswa dalam skala besar. Pelatihan dilakukan melalui formulasi Markov Decision Process (MDP), dengan vektor keadaan yang mencakup metadata soal, akurasi jawaban, dan waktu pengerjaan. Evaluasi model menggunakan tiga metrik utama: reward per episode, generalisasi terhadap pengguna baru (unseen users), dan akurasi prediksi. Hasil menunjukkan bahwa DDQN memiliki performa lebih unggul dibandingkan DQN dalam hal stabilitas, kemampuan generalisasi, dan akurasi. Rata-rata reward yang diperoleh DDQN melebihi 14 dalam sebagian besar skenario, dengan akurasi prediksi mencapai 78%, sedangkan DQN hanya mencapai 74%. Analisis kurva pembelajaran juga menunjukkan bahwa DDQN mengalami konvergensi lebih cepat dengan fluktuasi yang lebih rendah. Evaluasi model menggunakan tiga metrik utama: reward per episode, generalisasi terhadap pengguna baru (unseen users), dan akurasi prediksi. Hasil menunjukkan bahwa DDQN memiliki performa lebih unggul dibandingkan DQN dalam hal stabilitas, kemampuan generalisasi, dan akurasi. Rata-rata reward yang diperoleh DDQN melebihi 14 dalam sebagian besar skenario, dengan akurasi prediksi mencapai 78%, sedangkan DQN hanya mencapai 74%. Analisis kurva pembelajaran juga menunjukkan bahwa DDQN mengalami konvergensi lebih cepat dengan fluktuasi yang lebih rendah
Co-Authors Abdul Aziz, Fahad Giovany Syuhada, Esadhira Prianto, Cahyo