Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Jurnal Mnemonic
Ratnasari, Andika Putri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Energy Engineering Mathematics Mechanical Engineering Physics Transportation

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
KLASIFIKASI VARIETAS KACANG MENGGUNAKAN XGBOOST DENGAN PENYESUAIAN CLASS WEIGHTING Yusri, Thesa Adi Saputra; Rudhistiar, Deddy; Ratnasari, Andika Putri
Jurnal Mnemonic Vol 8 No 1 (2025): Mnemonic Vol. 8 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v8i1.12788

Abstract

Kondisi data tidak imbang (imbalance) merupakan salah satu tantangan utama dalam masalah klasifikasi terkait kualitas atau penyakit pada bidang agrikultur. Penelitian ini bertujuan untuk mengimplementasikan algoritma XGBoost dalam klasifikasi varietas kacang kering dengan fokus pada penanganan ketidakseimbangan kelas melalui pembobotan kelas. Dataset yang digunakan terdiri dari tujuh jenis kacang kering dengan berbagai karakteristik fisik yang diukur dalam piksel, yang meliputi fitur dimensi dan bentuk. Proses normalisasi dilakukan menggunakan teknik min-max normalization untuk memastikan skala data konsisten. Untuk menangani ketidakseimbangan kelas, teknik pembobotan kelas diterapkan dalam XGBoost, yang memberikan bobot lebih pada kelas minoritas. Grid Search dengan 5-fold cross-validation digunakan untuk menemukan kombinasi hyperparameter terbaik, yang menghasilkan akurasi cross-validation sebesar 92.5% dan skor terbaik pada 92.8%. Evaluasi model pada data uji menunjukkan akurasi 93%, dengan hasil precision, recall, dan f1-score yang seimbang pada setiap kelas. Hasil ini menunjukkan bahwa XGBoost dengan pembobotan kelas dapat mengatasi ketidakseimbangan kelas dan memberikan akurasi yang tinggi pada klasifikasi kacang kering
COMPARISON OF DOUBLE RANDOM FOREST AND LONG SHORT-TERM MEMORY METHODS FOR ANALYZING ECONOMIC INDICATOR DATA Ratnasari, Andika Putri; Susetyo, Budi; Notodiputro, Khairil Anwar
BAREKENG: Jurnal Ilmu Matematika dan Terapan Vol 17 No 2 (2023): BAREKENG: Journal of Mathematics and Its Applications
Publisher : PATTIMURA UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/barekengvol17iss2pp0757-0766

Abstract

The performance of machine learning in analyzing time series data is being widely discussed. A new ensemble method Double Random Forest (DRF), which considers supervised learning currently developed. This method has been claimed to be able to improve the performance of Random Forest (RF) if the data is under-fitting. Another machine learning method, Long Short-Term Memory Networks (LSTMs) have capability to analyze nonlinear data. Since the study compare both methods has not been existed in literature, it is interesting to compare the performance of both methods using Indonesian data, especially economic indicator data which have been found to be under-fitting, non-underfitting, and nonlinear data. The indicators used in this study are Export, Import, Official Reserves Asset, and Exchange Rate data. The results showed that overall, the LSTMs method outperforms DRF method in analyzing the data.
Workshop Inferensi Statistik dengan Pendekatan Berbasis Simulasi Kismiantini, Kismiantini; Subekti, Retno; Brilliant, Indira Ihnu; Ratnasari, Andika Putri
Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Vol. 9 No. 2 (2025): Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA
Publisher : Yogyakarta State University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jpmmp.v9i2.83414

Abstract

Mata kuliah Statistika umumnya lebih fokus pada prosedur inferensi bagi parameter secara teoritis dan belum memperhatikan pendekatan berbasis simulasi. Pendekatan berbasis simulasi memiliki kelebihan tanpa adanya pemenuhan asumsi klasik. Di Program Studi Matematika Universitas Nusa Cendana, materi inferensi statistik dengan pendekatan berbasis simulasi masih belum diterapkan secara optimal sehingga kelompok dosen Statistika Universitas Negeri Yogyakarta melaksanakan kegiatan workshop inferensi statistik dengan pendekatan berbasis simulasi. Evaluasi kemampuan peserta dalam memahami dan menerapkan materi yang disampaikan diukur melalui 15 butir pernyataan dengan empat respons skala Likert (sangat setuju, setuju, tidak setuju, sangat tidak setuju). Berdasarkan kuesioner hari pertama (39 peserta memberikan respons lengkap), diperoleh rata-rata 38,10% peserta menjawab "˜sangat setuju', 61,54% "˜setuju', dan 0,37% "˜tidak setuju'. Kemudian kuesioner hari kedua (20 peserta memberikan respons lengkap), diperoleh hasil rata-rata 39,38% peserta menjawab "˜sangat setuju', 58,75% "˜setuju', dan 1,88% "˜tidak setuju'. Oleh karena itu, dapat disimpulkan bahwa mayoritas peserta dapat memahami materi workshop dan mengikuti pelatihan dengan baik.
Pelatihan Analisis Data Pendidikan dan Ilmu Sosial dengan Program JASP Kismiantini, Kismiantini; Ratnasari, Andika Putri; Nur'aini, Rizky
Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Vol. 9 No. 2 (2025): Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA
Publisher : Yogyakarta State University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jpmmp.v9i2.83501

Abstract

Pelatihan Analisis Data Pendidikan dan Ilmu Sosial dengan Program JASP bertujuan untuk meningkatkan pemahaman mahasiswa dan dosen dalam analisis data menggunakan JASP sebagai alternatif perangkat lunak statistik berbayar. Kegiatan ini dilaksanakan secara luring di Universitas Sarjanawiyata Tamansiswa (UST) dengan metode pemaparan materi, demonstrasi, dan latihan mandiri. Materi pelatihan mencakup pengoperasian dasar JASP, analisis deskriptif, visualisasi data, uji-t, analisis variansi (ANOVA), dan regresi linear. Hasil evaluasi menunjukkan bahwa sebelum pelatihan, 70,59% peserta belum pernah menggunakan JASP dan 82,35% tidak mengenal program ini. Setelah pelatihan, 62,06% peserta menyatakan mampu dan 33,53% sangat mampu menggunakan JASP dalam analisis data. Pelatihan ini juga mendorong penggunaan perangkat lunak open-source dalam dunia akademik. Kendala utama yang dihadapi adalah keterbatasan akses internet, yang menghambat instalasi program bagi beberapa peserta. Secara keseluruhan, pelatihan ini berhasil meningkatkan keterampilan analisis data peserta. Kedepannya, pelatihan serupa diharapkan dapat diperluas ke program studi lain dan diintegrasikan dalam kurikulum pembelajaran, guna mendukung pendidikan berbasis data di Indonesia.
Co-Authors Brilliant, Indira Ihnu Budi Susetyo Deddy Rudhistiar Kismiantini Kismiantini Nur'aini, Rizky Retno Subekti Thesa Adi Saputra Yusri