Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING ILKOMNIKA: Journal of Computer Science and Applied Informatics
Ambadar, Panreshma Rizkha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Implementation of LSTM Method on Tidal Prediction in Semarang Region Ambadar, Panreshma Rizkha; Novitasari, Dian C Rini; Farida, Yuniar; Hafiyusholeh, Moh; Setiawan, Fajar
Journal of Applied Informatics and Computing Vol. 9 No. 2 (2025): April 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i2.8932

Abstract

Semarang is the capital of the Central Java province, located in the north and directly adjacent to the Java Sea. Having an almost flat land condition with a slope of about 0-2%, Semarang City has the opportunity to experience tidal flooding. The occurrence of tides does not have a fixed period. So, it is necessary to predict the height of the tide and the ebb of the seawater. Thus, this research aims to predict tides in the Semarang area using the LSTM method. The data used is tidal data in Semarang waters from 2020 to 2024. The advantage of the LSTM method is its ability to effectively remember time series data or data with long-term dependence. LSTM can store past information using special cells contained in its structure. This research on tidal prediction using the LSTM method with 70% training data trial batch size 32 and epoch 200 obtained the smallest error value, namely the MAE value of 0.0388 and MAPE of 0.0313 which is the best LSTM result.
Peningkatan Identifikasi PCOS dengan KELM melalui Seleksi Fitur LDA dan Deteksi Outlier LOF Ambadar, Panreshma Rizkha; Novitasari, Dian C Rini; Hamid, Abdulloh
ILKOMNIKA Vol 7 No 1 (2025): Volume 7, Number 1, April 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i1.727

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan kelainan yang terjadi pada organ reproduksi perempuan. Kelainan ini mempunyai dampak implikasi klinis yang beragam dan serius, diantaranya pada bagian reproduksi, metabolisme, hingga gangguan psikologis. Identifikasi yang tepat sangat penting untuk meningkatkan penanganan. Penelitian ini bertujuan untuk menguji efektivitas metode Kernel Extreme Learning Machine (KELM) dalam mengidentifikasi PCOS setelah penghapusan outlier dengan Local Outlier Factor (LOF) dan seleksi fitur menggunakan Linear Discriminant Analysis (LDA). Dalam penelitian ini, metode KELM mengidentifikasi kelainan PCOS dengan klasifikasi berdasarkan data rekam medis pasien. Penelitian ini juga melibatkan pengolahan data dengan LOF untuk menangani data outlier dan seleksi fitur terbaik menggunakan LDA guna meningkatkan akurasi identifikasi kelainan PCOS. Berbagai uji coba dilakukan, untuk mengoptimalkan hasil identifikasi kelainan PCOS. Hasil penelitian menunjukkan bahwa ketiga kombinasi dari metode LOF, LDA, dan KELM memperoleh nilai akurasi sebesar 100% dengan eliminasi 10% data outlier dan 10 fitur utama. Hal ini yang menunjukkan kombinasi ketiga metode ini mampu meningkatkan kualitas deteksi dan identifikasi kelainan PCOS.
Co-Authors Abdulloh Hamid FAJAR SETIAWAN Moh. Hafiyusholeh Novitasari, Dian C Rini Yuniar Farida, Yuniar