Article Per Year (5 Year)
p-Index From 2021 - 2026
2.346
P-Index
This Author published in this journals
All Journal JUPIKMAS Jurnal Sains dan Teknologi Jurnal Ilmu Administrasi dan Kebijakan Publik Jurnal Ilmu Kesehatan Journal Hukum Tata Negara dan Konstitusi Jurnal Hukum Perdata dan Bisnis JMI JPI JPS JMB Jurnal Akuntansi dan Sistem Informasi Jurnal Teknologi Indonesia Jurnal Budidaya Pertanian Jurnal Ilmu Hukum Indonesia Jurnal Ilmiah Ekonomi dan Keuangan Jurnal Riset Kesehatan Lingkungan dan Sanitasi Jurnal Pendidikan Guru Sekolah Dasar Indonesia Jurnal Komputer dan Teknik Informatika
miftah alfidyah
Universitas Negeri Padang
Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Komputer dan Teknik Informatika

 1 
Optimasi Algoritma Machine Learning untuk Prediksi Kinerja Sistem Komputer Miftah Alfidyah
Jurnal Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Edisi November
Publisher : Pustaka Bangsa Indonesia

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

Abstract

Prediksi kinerja sistem komputer menjadi penting untuk memastikan efisiensi dan keandalan operasional. Penelitian ini mengevaluasi penerapan algoritma machine learning (ML) dalam memprediksi performa sistem komputer dan strategi optimasi yang meningkatkan akurasi prediksi. Algoritma yang diuji meliputi Random Forest, Support Vector Machines (SVM), dan Neural Networks, dengan fokus pada optimasi hyperparameter dan pemilihan fitur. Hasil eksperimen menunjukkan bahwa optimasi parameter dan seleksi fitur secara signifikan meningkatkan performa prediksi. Random Forest menunjukkan akurasi tertinggi pada dataset yang diuji, sedangkan Neural Networks unggul dalam menangkap pola non-linear. Penelitian ini memberikan wawasan praktis bagi pengembangan sistem prediksi kinerja komputer yang lebih handal dan efisien.
Co-Authors