Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JSI (Jurnal sistem Informasi) Universitas Suryadarma JRIIN :Jurnal Riset Informatika dan Inovasi
Indriani Zabrina Putri
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Pengenalan Angka Tulisan Tangan Menggunakan Metode Machine Learning Random Forest Rosyada, Mila; Indriani Zabrina Putri; Saskia Aila Virda; Adi Saputra, Diyas Aditya; Setiawan, Arif
JSI (Jurnal sistem Informasi) Universitas Suryadarma Vol 12 No 2 (2025): JSI (Jurnal sistem Informasi) Universitas Suryadarma
Publisher : Universitas Dirgantara Marsekal Suryadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35968/jsi.v12i2.1476

Abstract

Perkembangan teknologi Artificial Intelligence dan Machine Learning berperan penting dalam pengenalan tulisan tangan. Tantangan utama dalam pengenalan angka tulisan tangan adalah variasi bentuk antar individu. Penelitian ini mengimplementasikan algoritma Random Forest untuk mengklasifikasikan angka tulisan tangan secara otomatis, menggunakan dataset MNIST berformat CSV. Model dilatih pada 8.000 data dan diuji pada 2.000 data. Hasil evaluasi menunjukkan akurasi sebesar 95,20%, dengan 1.904 prediksi benar. Nilai rata-rata precision, recall, dan f1-score masing-masing mencapai 0,95, menunjukkan kinerja yang stabil dan akurat. Efektivitas model tercermin dari kemampuannya mengenali sebagian besar angka secara konsisten, dengan f1-score tertinggi sebesar 0,98. Efisiensi tercapai melalui waktu pelatihan yang cepat tanpa tuning parameter lanjutan. Dengan akurasi mencapai 95,20%, nilai f1-score rata-rata sebesar 0,95, serta waktu pelatihan yang cepat tanpa perlu tuning parameter, algoritma Random Forest menunjukkan kemampuan yang sangat baik dalam mengenali angka-angka dengan bentuk konsisten seperti angka 1, untuk menangani variasi tulisan tangan dengan kesalahan klasifikasi yang dapat dijelaskan secara visual. Oleh karena itu, Random Forest merupakan metode yang potensial untuk sistem pengenalan karakter tulisan tangan, terutama pada aplikasi digitalisasi dokumen dan otomasi sistem ujian.
Perbandingan Model Regresi Linier dan Random Forest Regressor dalam Estimasi Harga Jual Rumah Berdasarkan Data Properti di Yogyakarta Indriani Zabrina Putri; Rosyada, Mila; Salma Elsa Widyadhana; Saskia Aila Virda; Muhammad Arifin
Jurnal Riset Informatika dan Inovasi Vol 2 No 12 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi
Publisher : shofanah Media Berkah

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

Abstract

Determining the selling price of a house is a crucial aspect in property transactions, especially in regions with dynamic market conditions such as Yogyakarta. This study compares two predictive modeling approaches Linear Regression and Random Forest Regressor in estimating house prices based on property data obtained from the rumah123.com website. The dataset used consists of 1,036 entries, covering variables such as price, land area, building area, number of bedrooms, number of bathrooms, availability of a carport, and location. After undergoing data preprocessing, both models were trained and tested using the same dataset to assess their predictive performance. Evaluation results indicate that the Random Forest model outperforms Linear Regression in terms of accuracy, particularly in handling data variation and non-linear relationships between variables. Although Linear Regression produced a coefficient of determination (R²) of 0.846 indicating that the model could explain 84.6% of the variability in house prices Random Forest demonstrated more precise predictions on the test data. These findings emphasize that selecting the appropriate model depends heavily on the complexity of the data and the required level of accuracy. This study provides a valuable contribution to the development of data-driven decision support systems for property price estimation and serves as a foundation for further research using more advanced machine learning approaches.
Co-Authors Adi Saputra, Diyas Aditya Arif Setiawan MUHAMMAD ARIFIN Rosyada, Mila Salma Elsa Widyadhana Saskia Aila Virda