Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Dinamik Jurnal Tekno Kompak SINTA Journal (Science, Technology, and Agricultural)
Rahmayuna, Novita
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Astronomy Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Earth & Planetary Sciences Environmental Science Physics Veterinary

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

Found 3 Documents
Search

 1 
Perbandingan Algoritma Machine Learning Dalam Memprediksi Kelulusan Siswa Maftucha, Nidaul; Salma, Saffanah; Rahmayuna, Novita; Wakhidah, Nur
Jurnal Tekno Kompak Vol 19, No 2 (2025): AGUSTUS (In Progress)
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v19i2.5090

Abstract

Prediksi kelulusan siswa sangat penting karena dapat membantu sekolah, guru, dan orang tua merencanakan bagaimana membantu siswa yang berisiko tidak lulus. Prediksi ini juga dapat memberi lembaga pendidikan kesempatan untuk meningkatkan kualitas pembelajaran dan mengembangkan tindakan yang lebih efisien. Pada penelitian ini membahas tentang perbandingan algoritma machine learning dalam memprediksi kelulusan siswa. Masalah utama yang diidentifikasi adalah kurangnya sistem prediksi yang efektif, yang dapat memprediksi kelulusan siswa. Tujuan dari penelitian ini adalah untuk menemukan metode terbaik dengan membandingkan kinerja lima algoritma machine learning yaitu K-NN, Naive Bayes, Decision Tree, Random Forest, dan SVM dalam memprediksi kelulusan siswa berdasarkan confusion matrix. Kemudian, dataset yang digunakan untuk penelitian ini memiliki tiga kategori fitur, yaitu: dataset numerikal, dataset kategorikal, dan dataset keseluruhan (gabungan dari numerikal dan kategorikal). Hasil pengujian dari dataset numerikal algoritma Random Forest mendapatkan nilai akurasi terbaik sebesar 74.12%. Pada algoritma dengan fitur kategorikal K-NN dan SVM memiliki nilai akurasi tertinggi dengan mendapatkan nilai sebesar 93.11%. Namun, algoritma Random Forest memiliki performa yang paling konsisten dan unggul ketika seluruh fitur digabungkan. Dengan mendapatkan nilai akurasi tertinggi sebesar 76.50% dan F1-Scorenya 75.00%.
Pemodelan Sistem Rekomendasi Pada E-Commerce Berbasis Collaborative Filtering dan Machine Learning Rahmayuna, Novita; Harini, Cicik
SINTA Journal (Science, Technology, and Agricultural) Vol. 6 No. 2 (2025)
Publisher : Perkumpulan Dosen Muda (PDM) Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37638/sinta.6.2.593–600

Abstract

Sistem rekomendasi saat ini telah dikembangkan untuk memberikan sekumpulan item yang cocok berdasarkan preferensi pengguna. Pada e-commerce, sistem rekomendasi merupakan alat yang efektif untuk menawarkan produk yang sesuai dengan minat pengguna. Membangun sekumpulan produk yang tepat untuk ditawarkan kepada pengguna merupakan tantangan dalam sistem rekomendasi. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi menggunakan pendekatan collaborative filtering dan algoritma machine learning. Penelitian ini menggunakan data matriks dari rating yang diberikan oleh pengguna terhadap produk, sehingga pemilihan algoritma machine learning perlu diseseuaikan. Hasil terbaik ditunjukkan dari kinerja evaluasi yang diukur menggunakan root mean square error (RMSE), dimana algoritma SVD++ memberikan kinerja yang paling baik yaitu sebesar 0.9846.
Evaluasi Kinerja Model Long Short-Term Memory dan Gated Recurrent Unit untuk Prediksi Magnitude Gempa Bumi Di Indonesia Nugraha, Giananda Saktika; Priyambodo, Pamungkas Haryo; Rahmayuna, Novita; Hidayati, Nurtriana
Dinamik Vol 31 No 1 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i1.10375

Abstract

This study aims to evaluate and compare the performance of two neural network architectures under the Recurrent Neural Network (RNN) category, namely Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM), in predicting earthquake magnitude in Indonesia. The dataset used consists of daily earthquake magnitude records from 2008 to 2023, preprocessed into time series format and normalized using the MinMax method. The training process was conducted using various combinations of batch size and epoch, and evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and relative prediction accuracy. The evaluation results show that LSTM with a batch size of 32 and 50 epochs provides the best prediction performance, achieving a MAE of 0.2227 and 93.65% accuracy. Meanwhile, GRU performed optimally at a batch size of 64 and 50 epochs, with a MAE of 0.2229 and 93.66% accuracy. The prediction visualization shows that LSTM offers greater stability and precision in tracking actual data patterns. These findings indicate that LSTM holds stronger potential for supporting earthquake prediction systems based on time series data.
Co-Authors Harini, Cicik Maftucha, Nidaul Nugraha, Giananda Saktika Nur Wakhidah Nurtriana Hidayati Priyambodo, Pamungkas Haryo Salma, Saffanah