Article Per Year (5 Year)
p-Index From 2020 - 2025
0.947
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Seni ITS
Dewi, Mukti Ratna
Departemen Statistika Bisnis Institut Teknologi Sepuluh Nopember Surabaya
Arts Humanities

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Klasifikasi Berita pada Laman Website TurnBackHoax.id Menggunakan Algoritma Random Forest Arintasari, Sindy Aprilia; Wibowo, Wahyu; Dewi, Mukti Ratna
Jurnal Sains dan Seni ITS Vol 12, No 6 (2023)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v12i6.118649

Abstract

Berita hoax merupakan hasil akhir dari berita yang telah direkayasa kebenarannya. Pemerintah bersama Masyarakat Anti Fitnah dan Hoax Indonesia (MAFINDO) telah melakukan antisipasi dan pencegahan tersebarnya berita hoax dengan menciptakan laman TurnBackHoax.id. Pengklasifikasian berita hoax yang dilakukan oleh MAFINDO masih dilakukan secara manual, sehingga membutuhkan waktu dan tenaga lebih banyak. Penelitian yang dilakukan bertujuan untuk mengklasifikasikan berita yang berkembang dimasyarakat kedalam kategori hoax atau fakta. Metode klasifikasi yang digunakan yaitu algoritma Random Forest. Hasil analisis menyimpulkan bahwa evaluasi performa dari data training diperoleh nilai akurasi sebesar 86,8%, sensitivity sebesar 97,6%, specificity sebesar 67,6%, dan nilai AUC sebesar 0,826 sedangkan untuk data testing diperoleh nilai akurasi sebesar 86,8%, sensitivity sebesar 97,7%, specificity sebesar 67,4%, dan nilai AUC sebesar 0,826. Performa data training dan testing menunjukkan model mampu untuk mengklasifikasi berita hoax atau fakta karena memiliki nilai akurasi dengan kategori good excellent dan didukung nilai AUC yang masuk kategori baik, serta nilai sensitivity yang lebih besar daripada nilai specificity.
Peramalan Volume Ekspor Akibat Pelarangan Ekspor CPO di Indonesia Menggunakan Model Intervensi Pusaka, Siddhi Wipracintya Galan; Dewi, Mukti Ratna
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.148228

Abstract

Kelapa sawit merupakan komoditas perkebunan ung-gulan dan utama Indonesia sebagai penghasil minyak sawit mentah atau CPO (Crude Palm Oil), yaitu minyak kelapa sawit mentah yang diolah kembali menjadi beberapa produk turun-an. Ekspor minyak sawit berperan penting untuk Indonesia karena kontribusi terhadap neraca perdagangan yang cukup besar. Volume ekspor minyak sawit Indonesia dari tahun 2019 hingga 2022 mengalami penurunan secara berkala namun pun-cak penurunan yang paling tajam terjadi pada bulan Mei 2022 sebesar 68% yang disebabkan oleh pemberlakuan kebijakan pelarangan ekspor CPO. Kebijakan ini diberlakukan pada 28 April hingga 23 Mei 2022 untuk mengatasi kelangkaan pasokan minyak goreng dalam negeri. Larangan ekspor CPO ini kemu-dian dicabut karena banjirnya minyak sawit dalam negeri hing-ga tangki tingkat produsen penuh dan menyebabkan petani me-rugi karena harus menjual dengan harga rendah. Indonesia se-bagai eksportir dan produsen minyak sawit terbesar di dunia harus mempertimbangkan agar kebutuhan ekspor minyak sa-wit tetap terpenuhi. Sebagai antisipasi perubahan volume eks-por dapat diperkirakan dengan mengembangkan model pera-malan yang memperhitungkan efek intervensi kebijakan ter-sebut. Penelitian ini menggunakan metode Autoregressive Inte-grated Moving Average (ARIMA) dengan fungsi intervensi. Hasil penelitian ini menunjukkan bahwa model yang terbentuk, yaitu ARIMA (1,0,0) dengan orde intervensi (1,0,0). Hasil permodelan ini menunjukkan terdapat peningkatan nilai volume ekspor CPO sebesar 0,445 juta ton pada satu periode sebelum inter-vensi dan penurunan nilai volume ekspor CPO sebesar 0,141 juta ton pada dua periode sebelum intervensi serta nilai volume ekspor CPO dipengaruhi sebesar 0,316 kali dari nilai volume ekspor CPO sebelumnya, dengan akurasi model MAPE sebesar 12,69% dan RMSE sebesar 0,390 maka dikatakan baik dan ha-sil ramalan sudah mendekati nilai sebenarnya.
Penerapan Multimodel Deep Learning dalam Pendeteksian Berita Hoaks Laman “Turnbackhoax.Id” Menggunakan Arsitektur CNN Bayhaqi, Ahmad Rizal; Dewi, Mukti Ratna; Habibi, Mochammad Reza
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.151543

Abstract

Meningkatnya penyebaran berita hoaks memicu ke-butuhan publik untuk mengatasi permasalahan tersebut. Ma-syarakat Anti Fitnah Indonesia (Mafindo), sebagai komunitas independen, berupaya memberikan edukasi dan identifikasi terkait berita hoaks. Meski demikian, proses verifikasi berita yang masih manual dan tidak cukup efektif mengingat jumlah berita hoaks yang tersebar cepat dan dalam jumlah besar. Oleh karena itu, penelitian dilakukan untuk membangun model machine learning menggunakan deep learning, khususnya con-volutional neural network (CNN), dalam mengklasifikasikan berita hoaks secara cepat dan otomatis. Penggunaan CNN ber-basis data teks dan gambar telah menunjukkan performa kla-sifikasi yang baik, terutama ketika kedua data digabungkan da-lam multimodel deep learning. Multimodel deep learning atau model CNN gabungan, menggabungkan model CNN berbasis teks (CNN 1D) dan gambar (CNN 2D) yang menunjukkan ki-nerja lebih baik dibandingkan dengan model tunggal (uni-model). Model tersebut kemudian dilatih dengan 3.103 data training dan 775 data testing dan diperoleh nilai akurasi 99,35% dan AUC 99,81%. Hasil evaluasi menunjukkan kinerja yang baik dalam mengklasifikasikan berita hoaks di dalam dan di luar model.
Prediksi Kelayakan Calon Peminjam Dana Online Menggunakan Random Forest Suryaprabha, Yosef Karel; Susilaningrum, Destri; Dewi, Mukti Ratna
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.149452

Abstract

Jasa pemberi pinjaman online telah menjadi alterna-tif populer bagi para individu dan bisnis kecil yang mem-butuhkan dana atau pembiayaan yang cepat dan fleksibel tanpa harus memberi jaminan yang bernilai serupa. Dengan kemu-dahan yang diberikan, jumlah pengajuan proses peminjaman dana online seiring bertumbuh di masyarakat, khususnya di kalangan menengah ke bawah. Salah satu tantangan yang diha-dapi oleh para penyedia jasa pinjaman online atas mening-katnya jumlah aktivitas peminjaman adalah untuk dapat meng-evaluasi calon penerima pinjaman dengan cepat dan akurat, sehingga dapat mengurangi risiko memberikan pinjaman ke pe-minjam yang mengalami gagal/telat bayar (default). Pada pe-nelitian ini akan dirancang dan dikembangkan aplikasi prediksi kelayakan calon penerima pinjaman online. Metode yang akan digunakan dalam proses analisis adalah random forest. Algo-ritma klasifikasi prediksi kelayakan calon peminjam dana on-line terbentuk dari 500 pohon keputusan, yang secara kese-luruhan menjadi satu kesatuan random forest. Diantara 10 fold data yang terbentuk dari penggunaan K-fold cross validation, fold-2 memiliki performa terbaik, dengan akurasi sebesar 72.77%, sensitivitas sebesar 73.30%, dan spesifisitas sebesar 71.20%.
Klasifikasi Rating Obligasi Korporasi di Indonesia Menggunakan Algoritma Random Forest dan Regresi Logistik Ordinal Meliala, Arif Saputra; Dewi, Mukti Ratna
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.150174

Abstract

OObligasi adalah bentuk surat utang dalam bidang ke-uangan yang diterbitkan oleh entitas seperti perusahaan atau instansi pemerintah untuk mengumpulkan dana dari investor. Seperti halnya investasi pada umumnya, investasi dalam obliga-si juga melibatkan risiko, termasuk risiko gagal bayar jika pe-nerbit gagal memenuhi kewajiban pembayarannya kepada investor. Untuk meminimalisir risiko tersebut, rating obligasi digunakan sebagai ukuran seberapa baik perusahaan dalam membayar kupon atau bunga obligasi kepada investor. Tujuan penelitian ini adalah membuat model yang efektif sebagai model yang digunakan untuk memprediksi rating obligasi korporasi di Indonesia dengan membandingkan metode algoritma machine learning Random Forest dan metode statistik konvensional regresi logistik ordinal. Jumlah observasi yang digunakan pada penelitian ini sebanyak 122 perusahaan. Kemudian, variabel yang digunakan dalam penelitian ini adalah Return on Asset, Return on Equity, Current Ratio, Cash Ratio, Debt to Asset Ratio, Debt to Equity Ratio, Ukuran Perusahaan, Total Utang Obligasi, dan jenis perusahaan. Hasil analisis menunjukkan bahwa ma-yoritas perusahaan memiliki rating obligasi A dan perusahaan non finansial adalah perusahaan yang lebih banyak digunakan dalam penelitian ini. Rasio-rasio keuangan perusahaan juga menunjukkan perbedaan karakteristik pada masing-masing rating obligasi perusahaan. Hasil pemilihan model terbaik ber-dasarkan akurasi dan F-1 Score menunjukkan bahwa model Random Forest terpilih sebagai model terbaik dalam melakukan prediksi dan klasifikasi rating obligasi korporasi di Indonesia.
Co-Authors Arintasari, Sindy Aprilia Bayhaqi, Ahmad Rizal Habibi, Mochammad Reza Meliala, Arif Saputra Pusaka, Siddhi Wipracintya Galan Suryaprabha, Yosef Karel Susilaningrum, Destri Wibowo, Wahyu