Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Transformatika Jurnal Informatika Teknologi dan Sains (Jinteks)
ramadhani, jovita wayan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering

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

Found 2 Documents
Search

 1 
Perbandingan Metode IQR vs Isolation Forest dalam Deteksi Outlier pada Data Klaim Asuransi di PT Askrindo Cabang Semarang ramadhani, jovita wayan; jovita; susanto, susanto
Jurnal Transformatika Vol. 23 No. 2 (2026): January 2026
Publisher : Jurusan Teknologi Informasi Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/transformatika.v23i2.13726

Abstract

Penelitian ini bertujuan untuk membandingkan dua pendekatan yang umum digunakan dalam deteksi outlier, yaitu metode statistik Interquartile Range (IQR) dan metode machine learning Isolation Forest, studi kasus data klaim asuransi di PT Askrindo Cabang Semarang. Data yang dianalisis mencakup nilai klaim dan durasi penyelesaian. Metode IQR secara univariat menemukan 9 klaim yang terklasifikasi sebagai outlier, yang terdiri atas 5 outlier nilai klaim, 3 outlier durasi penyelesaian, serta 1 outlier ganda. Sedangkan Isolation Forest secara multivariat dengan contamination 0,05 mendeteksi 6 klaim anomali, termasuk durasi penyelesaian sangat lama dan pola kombinasi variabel yang tidak wajar. Hasilnya IQR efektif untuk deteksi cepat nilai ekstrem, sedangkan Isolation Forest lebih cocok dalam mengenali anomali kompleks antar variabel.  Oleh karena itu, penggunaan metode IQR maupun Isolation Forest dapat disesuaikan dengan tujuan analisis karakteristik data.    
PEMODELAN URUTAN JANGKA PENDEK VS JANGKA PANJANG: LSTM VS TSFORMER DALAM PREDIKSI LALU LINTAS PERKOTAAN Ramadhani, Jovita Wayan; Hendrawan, Aria
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.6996

Abstract

Prediksi lalu lintas jangka pendek berperan penting dalam pengembangan Intelligent Transportation Systems (ITS), khususnya di wilayah metropolitan yang dinamis. Penelitian ini membandingkan kinerja dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Time Series Transformer (TSFormer), menggunakan lima sensor dengan tingkat kelengkapan data tertinggi dari dataset METR-LA yang merekam kecepatan kendaraan setiap lima menit. Tahapan eksperimen mencakup penghapusan nilai nol yang diperlakukan sebagai data hilang, pengisian data menggunakan interpolasi spline, normalisasi Min–Max, serta pembentukan data terawasi melalui pendekatan sliding window sepanjang 72 langkah waktu. Kedua model dilatih dengan pengaturan yang sama, meliputi penggunaan optimizer Adam, learning rate yang seragam, dan penerapan early stopping. Evaluasi kinerja dilakukan menggunakan MAE, MSE, RMSE, dan MAPE. Hasil pengujian memperlihatkan bahwa LSTM menunjukkan kinerja yang lebih stabil dan secara konsisten lebih baik dibandingkan TSFormer pada seluruh sensor. LSTM mencapai MAE 0,0026, RMSE 0,0057, dan MAPE 0,58%, sedangkan TSFormer mencatat MAE 0,0075, RMSE 0,0135, dan MAPE 0,96%. Waktu pelatihan LSTM tercatat lebih singkat, yakni sekitar 174 detik, dibandingkan TSFormer yang membutuhkan sekitar 397 detik. Kondisi ini memperlihatkan bahwa LSTM tetap menawarkan keseimbangan yang baik antara stabilitas dan efisiensi untuk prediksi lalu lintas jangka pendek pada lingkungan ITS dengan sumber daya terbatas.
Co-Authors Aria Hendrawan, Aria Jovita Susanto Susanto