Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Penelitian Inovatif Malcom: Indonesian Journal of Machine Learning and Computer Science
Jaya, Winaldi Putra
Unknown Affiliation
Humanities Computer Science & IT Education Engineering Public Health Social Sciences

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

Found 2 Documents
Search

 1 
Analisis Penggunaan Support Vector Machine pada Deteksi Dini Penyakit Diabetes Melitus Septiana, Trisya; Muda, Mona Arif; Budiyanto, Deny; Pratama, Mahendra; Jaya, Winaldi Putra
Jurnal Penelitian Inovatif Vol 4 No 3 (2024): JUPIN Agustus 2024
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jupin.643

Abstract

Peningkatan kadar gula dalam darah serta tidak bekerjanya insulin di dalam tubuh merupakan salah satu ciri dari penyakit diabetes melitus. Semakin lama seseorang mengidap penyakit ini, maka dapat menyebabkan komplikasi yang berdampak pada tingginya risiko kematian. Sehingga penyakit ini menjadi salah satu penyakit paling mematikan didunia. Pengendalian dan pencegahan penyakit ini dapat dilakukan dengan cara melakukan montoring secara berkala pada seseorang yang memiliki riwayat ataupun pola hidup yang tidak sehat. Salah satu cara monitoring tersebut dengan mendeteksi awal penyakit diabetes melalui identifikasi parameter pendukung dan memanfaatkan algoritma Machine learning yaitu Support Vector Machine (SVM). Cara ini dapat menjadi langkah yang siginifikan dalam meningkatkan pemahaman dan deteksi dini penyakit tersebut. Penelitian ini menggunakan 9 parameter diantaranya mencakup pregnancies, glucose, blood pressure, skin thickness, insulin, body mass index, diabetes pedigree function, age, dan outcome (sebagai output) dari 768 data.  SVM dapat memproses data klinis pasien dan membangun  model prediktif untuk mengklasifikasikan apakah seseorang mungkin menderita diabetes atau tidak. Sebelum diimplementasikan melalui SVM, dilakukan terlebih dahulu preprocessing data yang terdiri dari Pembersihan outliers, pengisian missing data value, normalisasi data, penggunaan SMOTE dan pembagian train dan test data. Dan selanjutnya dirancang analisis model machine learning dengan menerapkan cross validation dan grid search validation. Hasil dari pengolahan data ini didapatkan sebuah sistem yang divisualisasikan dalam sebuah website statis yang dapat  memudahkan kemampuan diagnosis, pengenalan dini kondisi prediabetes dengan nilai akurasi yaitu 81%.
Peramalan Multivariate Time Series Harga Aspal Menggunakan Algoritma Gated Recurrent Unit: Multivariate Time Series Forecasting of Asphalt Prices Using the Gated Recurrent Unit Algorithm Jaya, Winaldi Putra; Wintoro, Puput Budi; Septiana, Trisya; Mulyani, Yessi
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

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

Abstract

Fluktuasi harga minyak global menimbulkan volatilitas tinggi pada harga aspal dan menciptakan ketidakpastian dalam perencanaan bisnis. Penelitian ini mengembangkan model multivariate forecasting harga aspal menggunakan algoritma Gated Recurrent Unit (GRU). Proses penelitian mengikuti tahapan Business Understanding, Data Understanding, Data Preprocessing, Data Modelling, Evaluation, dan Deployment. Data yang dianalisis mencakup harga aspal (kategori low dan high) serta harga minyak global (close) periode 2016–2023, dengan total 371 observasi. Hasil eksplorasi menunjukkan bahwa harga minyak menjadi prediktor dominan terhadap perubahan harga aspal. Evaluasi model memperlihatkan kinerja GRU yang sangat baik dengan nilai rata-rata MAE 6,2441, RMSE 8,2880, dan R² sebesar 96,05%, yang menandakan kemampuan model dalam mengenali pola deret waktu secara akurat. Namun demikian, keterbatasan penelitian ini terletak pada cakupan data yang bersumber dari satu perusahaan dengan rentang waktu terbatas, sehingga berpotensi menimbulkan bias representatif. Selain itu, model GRU cenderung sensitif terhadap parameter pelatihan dan ukuran windowing, yang dapat mempengaruhi stabilitas hasil pada data dengan pola musiman ekstrem. Dalam implementasi praktis, integrasi GRU ke dalam sistem bisnis juga memerlukan kapasitas komputasi dan pembaruan model berkala agar hasil prediksi tetap adaptif terhadap dinamika pasar global. Model akhir diimplementasikan dalam dashboard interaktif berbasis Power BI untuk mendukung visualisasi tren harga dan mempercepat pengambilan keputusan strategis
Co-Authors Budiyanto, Deny Mahendra Pratama Muda, Mona Arif Mulyani, Yessi Puput Budi Wintoro, Puput Budi Trisya Septiana