Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Computing and Informatics Research
Zealtiel, Billiam
Unknown Affiliation
Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
Prediksi Produksi Tanaman Padi di Indonesia dengan Menggunakan Algoritma Random Forest Regressor Manurung, Dinikxon; Zealtiel, Billiam; Lubis, Andre Hasudungan
Journal of Computing and Informatics Research Vol 4 No 3 (2025): July 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/comforch.v4i3.2125

Abstract

Produksi padi merupakan komponen utama dalam menjaga ketahanan pangan nasional di Indonesia, mengingat beras adalah makanan pokok mayoritas penduduk. Namun, kestabilan produksi padi sering kali terganggu oleh berbagai faktor, terutama kondisi agronomis dan variabilitas iklim yang sulit diprediksi. Oleh karena itu, diperlukan pendekatan berbasis data yang mampu memodelkan kompleksitas faktor-faktor tersebut secara akurat. Penelitian ini bertujuan untuk membangun model prediksi produksi padi menggunakan algoritma Random Forest Regressor, sebuah metode pembelajaran mesin yang dikenal andal dalam menangani data non-linear dan kompleks. Dataset yang digunakan mencakup parameter pertanian seperti luas panen dan produktivitas, serta data iklim meliputi suhu, kelembaban udara, dan curah hujan, yang dikumpulkan dari sumber terbuka seperti Kaggle dan Badan Meteorologi Klimatologi dan Geofisika (BMKG) untuk rentang tahun 2018 hingga 2024. Metodologi yang diterapkan dalam penelitian ini terdiri dari beberapa tahapan, yaitu prapemrosesan data (penanganan nilai hilang dan normalisasi), analisis data eksploratif untuk memahami pola dan korelasi antar variabel, pelatihan model prediksi, serta evaluasi performa model menggunakan metrik Mean Squared Error (MSE) dan R-squared (R²). Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh saat data dibagi dengan rasio pelatihan dan pengujian sebesar 90:10, serta penggunaan 200 decision tree dalam model. Konfigurasi ini menghasilkan nilai MSE sebesar 0.0004 dan R² sebesar 0.9918, yang mengindikasikan tingkat akurasi prediksi yang sangat tinggi serta kemampuan model dalam merepresentasikan hubungan antar variabel dengan baik. Penelitian ini menunjukkan bahwa Random Forest Regressor efektif dalam memprediksi produksi padi dan berpotensi menjadi alat bantu pengambilan keputusan strategis bagi pemangku kepentingan di sektor pertanian.
Enhanced RegNetY-400MF for Fruit Fly Species Classification: Fine-Tuning Strategies and Data Balancing for Improved Accuracy Rahman, Sayuti; Indrawati, Asmah; Zen, Muhammad; Zealtiel, Billiam; Tanjung, Shabila Shaharani
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 6 (2025): December 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i6.6973

Abstract

Fruit fly infestations pose a significant threat to agricultural productivity, especially in chili plantations, which can cause substantial yield losses. Accurate and rapid species classification is crucial for implementing targeted pest control strategies. This study developed a computationally efficient fruit fly species classification model using a deep learning approach that focused on improving accuracy with fine tuning and class balancing strategies. The dataset consists of 1049 images across 4 fruit fly species, captured in a natural plantation environment and available at www.inaturalist.org. The model evaluated several lightweight Convolutional Neural Network (CNN) architectures, including MobileNetV3-Small, RegNetY-400MF, and SqueezeNet among others, with RegNetY-400MF emerging as the best performing model, achieving a validation accuracy of 96.10% and a macro F1 score of 95.70%. The models tested in this study included several lightweight Convolutional Neural Network (CNN) architectures, including MobileNetV3-Small, RegNetY-400MF, and SqueezeNet, among others. RegNetY-400MF proved to be the best performing model, achieving a validation accuracy of 96.10% and a macro F1 score of 95.70%. Compared to other state-of-the-art models, RegNetY-400MF demonstrated higher accuracy while maintaining a lower number of parameters (8.3 million) and reduced computational complexity (0.41 GFLOPs). This makes the model highly suitable for real-time applications in resource-constrained agricultural environments. The model offers a practical solution for fruit fly species detection, enabling early and accurate identification of pest infestations in chili plantations, thereby reducing the risk of crop failure. By providing an efficient and scalable pest control tool, the model supports precision pest management, improves yield stability, and contributes to sustainable agriculture.
Co-Authors Andre Hasudungan Lubis Asmah Indrawati Manurung, Dinikxon Muhammad Zen, Muhammad Rahman, Sayuti Tanjung, Shabila Shaharani