Article Per Year (5 Year)
p-Index From 2020 - 2025
0.702
P-Index
This Author published in this journals
All Journal Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial Jurnal Ekonomika Dan Bisnis Journal of Computing and Informatics Research
Simarmata, Yohanes
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Social Sciences

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

Found 3 Documents
Search

 1 
Systematic Literature Review: Fintech dan Program Pemerintah dalam Permodalan UMKM: Inklusi atau Ilusi Santosa, Budi; Budiman, Ega; Simarmata, Yohanes; Kurniawan, David; Indriani, Yulia; Suryono, Ryan Randy
Jurnal Ekonomika Dan Bisnis (JEBS) Vol. 5 No. 1 (2025): Januari - Februari
Publisher : CV. ITTC INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jebs.v5i1.2579

Abstract

Penelitian ini bertujuan untuk menganalisis peran teknologi keuangan (fintech) dan sumber permodalan lainnya dalam mendukung inklusi keuangan serta keberlanjutan usaha mikro, kecil, dan menengah (UMKM) di Indonesia. Dengan pendekatan systematic literature review (SLR), 10 studi primer dianalisis untuk mengevaluasi inklusivitas, efisiensi, dan keberlanjutan solusi pendanaan berbasis fintech. Hasil penelitian menunjukkan bahwa fintech secara signifikan meningkatkan inklusi keuangan UMKM dengan menyederhanakan akses pendanaan dan mengurangi hambatan prosedural. Namun, tantangan seperti rendahnya literasi keuangan dan adopsi teknologi masih menjadi kendala. Rekomendasi diberikan untuk meningkatkan akses UMKM terhadap pendanaan dan memperkuat literasi keuangan guna mendukung pertumbuhan yang berkelanjutan.
Komparasi Algoritma Random Forest dan Support Vector Machine dalam Memprediksi Risiko PMS Simarmata, Yohanes; Maylanda, Putri Oktaria; Susanto, Erliyan Redy
SWABUMI (Suara Wawasan Sukabumi): Ilmu Komputer, Manajemen, dan Sosial Vol 13, No 2 (2025): Volume 13 Nomor 2 Tahun 2025
Publisher : Universitas Bina Sarana Informatika Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/swabumi.v13i2.25580

Abstract

Penyakit Menular Seksual (PMS) merupakan permasalahan kesehatan global yang memerlukan deteksi dini untuk pencegahan dan pengobatan yang lebih efektif. Studi ini membandingkan performa algoritma pembelajaran mesin, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi risiko PMS. Dataset yang digunakan mencakup variabel epidemiologis utama dan diklasifikasikan ke dalam dua kategori risiko. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 99.87%, dengan keunggulan dalam menangani dataset tidak seimbang serta mengenali pola kompleks. Namun, model ini berisiko mengalami overfitting sehingga memerlukan tuning parameter dan validasi silang untuk meningkatkan generalisasi. Sementara itu, SVM memperoleh akurasi 97.96% dan lebih stabil dalam menangani data berdimensi tinggi, tetapi memiliki recall 0.91 untuk kelas risiko tinggi, yang menunjukkan adanya kasus yang tidak terdeteksi secara optimal. Penelitian ini menunjukkan bahwa pemilihan algoritma bergantung pada kebutuhan spesifik analisis: Random Forest unggul dalam akurasi tinggi, sedangkan SVM lebih seimbang dalam generalisasi data. Studi lebih lanjut disarankan untuk mengoptimalkan kinerja model melalui tuning hyperparameter dan teknik ensemble learning guna meningkatkan akurasi deteksi dini PMS.Keywords: Penyakit Menular Seksual, Machine Learning, Random Forest, Support Vector Machine, Prediksi Risiko.
Klasifikasi Tipe Pokemon Berdasarkan Statistik Tempur Menggunakan Algoritma Random Forest achamad, nurul; Simarmata, Yohanes; Icha Winadya Permadani,  Icha; Nugroho Kumala , Nugroho Kumala Destianto; Heni Sulistiani, Heni Sulistiani
Journal of Computing and Informatics Research Vol 4 No 3 (2025): July 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/comforch.v4i3.2083

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tipe Pokemon berdasarkan statistik tempur menggunakan algoritma Random Forest. Dataset yang digunakan berasal dari file pokemon_bw.csv yang berisi informasi seperti nomor Pokédex, nama, tipe, kemampuan, serta nilai statistik tempur (HP, Att, Def, S.Att, S.Def, Spd). Proses data preprocessing dilakukan untuk membersihkan dan mempersiapkan data, termasuk ekstraksi tipe utama, label encoding, feature selection, dan standarisasi fitur. Setelah itu, dataset dibagi menjadi data latih dan data uji dengan rasio 80:20. Model klasifikasi dibangun menggunakan Random Forest dengan 100 pohon keputusan dan dievaluasi menggunakan metrik accuracy, classification report, confusion matrix, serta ROC Curve multikelas. Hasil menunjukkan bahwa model mampu mencapai akurasi sebesar 64.8% , dengan performa terbaik pada kelas 'rock', 'steel', dan 'dragon', sedangkan kelas 'flying' dan 'ghost' masih sulit diklasifikasikan secara akurat. Confusion matrix menunjukkan bahwa beberapa tipe memiliki kesalahan klasifikasi yang cukup signifikan, seperti 'ground' yang sering diprediksi sebagai 'grass' dan 'rock' yang sering salah diklasifikasikan sebagai 'steel'. Evaluasi ROC Curve juga membuktikan bahwa sebagian besar kelas memiliki AUC di atas 0.80, menunjukkan kemampuan model dalam membedakan antar kelas. Dengan pendekatan ini, penelitian ini memberikan analisis awal mengenai potensi prediksi tipe Pokémon berbasis statistik tempur, yang dapat dikembangkan lebih lanjut melalui penanganan ketidakseimbangan kelas atau penggunaan teknik ensemble lainnya.
Co-Authors achamad, nurul Budi Santosa Budi Santosa Budiman, Ega DAVID KURNIAWAN Heni Sulistiani, Heni Sulistiani Icha Winadya Permadani,  Icha Maylanda, Putri Oktaria Nugroho Kumala , Nugroho Kumala Destianto Ryan Randy Suryono Susanto, Erliyan Redy Yulia Indriani