Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer
M. Azzuhri Dinata
Universitas Sains dan Teknologi Indonesia
Computer Science & IT

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

Found 2 Documents
Search

 1 
Prediksi Jumlah Titik Ruang Terbuka Hijau (RTH) Menggunakan Metode Regresi Linier dan Model Random Forest M. Azzuhri Dinata; Helda Yenni; Wirta Agustin; Aguston
BETRIK Vol. 16 No. 02 (2025): Jurnal Ilmiah BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : PPPM Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/d81adt50

Abstract

The development and preservation of Green Open Space (GOS) is an important part of maintaining environmental balance, especially in the Sumatra Ecoregion. This study aims to predict the number of GOS points using a linear regression approach and the Random Forest algorithm. The data used include variables such as area and forest area from several provinces in Sumatra. Model performance evaluation was carried out using MAE, RMSE, and coefficient of determination (R²) metrics. The analysis results show that the Random Forest model has superior performance compared to linear regression, with an MAE value of 5.52, RMSE of 5.88, and R² of 0.74. Meanwhile, linear regression was only able to achieve an R² of 0.45. These findings indicate that Random Forest is more effective in capturing non-linear data patterns and more accurate in predicting the number of GOS points. This study contributes to the use of data science technology to support sustainable environmental planning, as well as becoming a basis for data-based spatial planning policy making
PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN DATA DEMOGRAFI PASIEN Risky Harahap; M. Irpan; M. Azzuhri Dinata; Lusiana Efrizoni; Rahmaddeni
BETRIK Vol. 15 No. 02 (2024): Jurnal Ilmiah BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : PPPM Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/3v3xwn06

Abstract

Dalam penelitian ini, algoritma Random Forest dan XGBoost dibandingkan dalam klasifikasi penyakit paru-paru menggunakan data demografi pasien. Dataset yang digunakan terdiri dari 30.000 data pasien dengan 9 atribut dan 1 label yang diambil dari Kaggle. Tahapan penelitian termasuk pengumpulan data, Preprocessing, pembagian data, dan klasifikasi data menggunakan kedua algoritma. Hasil menunjukkan bahwa algoritma XGBoost memiliki akurasi 94% dan AUC 0.98, sedangkan algoritma Random Forest memiliki akurasi 91% dan AUC 0.97. Meskipun Random Forest lebih cepat dan lebih mudah diinterpretasikan, XGBoost bekerja lebih baik dengan data yang kompleks dengan hasil yang lebih konsisten. Melalui penggunaan teknik regularisasi dan penanganan outliers yang lebih baik, XGBoost juga dapat mengatasi masalah overfitting dengan lebih baik. Studi ini memberikan panduan untuk peneliti dan praktisi dalam memilih algoritma terbaik untuk tugas klasifikasi medis, terutama yang berkaitan dengan penyakit paru-paru.
Co-Authors Aguston Helda Yenni Lusiana Efrizoni M. Irpan Rahmaddeni Risky Harahap Wirta Agustin