cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ramdan Satra
Contact Email
ramdan@umi.ac.id
Phone
+6285255680963
Journal Mail Official
linier@umi.ac.id
Editorial Address
Gedung Fakultas Ilmu Komputer Kampus II Universitas Muslim Indonesia Jln. Urip Sumoharjo KM.5, Makassar, Sulawesi Selatan, Makassar, Provinsi Sulawesi Selatan, 90231
Location
Kota makassar,
Sulawesi selatan
INDONESIA
Linier: Literatur Informatika dan Komputer
Published by Universitas Muslim Indonesia
ISSN : -     EISSN : 30632218     DOI : https://doi.org/10.33096/linier.v1i1.2266
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mathematics
LINIER: Literatur Informatika dan Komputer encompasses all aspects of the latest outstanding research and developments in the field of Computer science including: Artificial intelligence, Computer networks, Software engineering.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 15 Documents
 1   2 
Search results for , issue "Vol 2, No 4 (2025)" : 15 Documents clear
Analisis Faktor Penentu Harga Mobil Bekas Menggunakan Model Random Forest Regressor serta Perbandingan Linear Sabrina Khoirunnisa; Nining Rahaninsih; Irfan Ali; Willy Prihartono
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3346

Abstract

Penentuan harga mobil bekas merupakan proses yang kompleks karena dipengaruhi oleh berbagai faktor seperti jarak tempuh, usia kendaraan, merek, jenis bahan bakar, dan riwayat kerusakan. Metode konvensional sering kali menghasilkan penilaian yang subjektif dan kurang akurat, sehingga diperlukan pendekatan berbasis data untuk meningkatkan objektivitas dan konsistensi estimasi harga. Penelitian ini bertujuan untuk membangun model prediksi harga mobil bekas menggunakan algoritma Random Forest Regressor serta membandingkan performanya dengan Multiple Linear Regression sebagai baseline. Dataset yang digunakan berasal dari platform Kaggle dan mencakup 4.009 data kendaraan yang telah melalui proses data cleaning, rekayasa fitur, dan penghapusan outlier. Metode penelitian meliputi preprocessing data, pelatihan model, hyperparameter tuning, serta evaluasi menggunakan metrik R², MAE, MSE, dan RMSE. Hipotesis penelitian menyatakan bahwa Random Forest memiliki performa prediktif yang lebih baik dibandingkan model linier serta mampu mengidentifikasi fitur yang paling berpengaruh terhadap harga kendaraan. Hasil eksperimen menunjukkan bahwa Random Forest R² = 0.6827, lebih tinggi dibandingkan Multiple Linear Regression dengan R² = 0.5673. Analisis feature importance mengungkapkan bahwa mileage dan usia kendaraan merupakan faktor dominan dalam pembentukan harga. Dengan demikian, penelitian ini menyimpulkan bahwa Random Forest merupakan pendekatan yang lebih akurat dan stabil untuk prediksi harga mobil bekas serta berpotensi diimplementasikan dalam sistem valuasi otomotif berbasis data.
Implementasi Support Vector Machine dan Random Forest Untuk Klasifikasi Angka dan Huruf BISINDO Andi Apryan Mallarangen; Dolly Indra
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3341

Abstract

Bahasa Isyarat Indonesia (BISINDO) adalah alat utama yang digunakan oleh orang-orang yang tidak bisa mendengar dalam berkomunikasi sehari-hari. Namun, banyak orang yang tidak memahami BISINDO, sehingga menyulitkan mereka untuk berinteraksi dengan orang lain. Karena itu, penelitian ini mencoba membuat sistem otomatis yang dapat menerjemahkan atau mengenali bahasa isyarat. Penelitian ini fokus pada pengembangan model yang dapat mengklasifikasikan gambar tangan BISINDO menggunakan metode pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Random Forest. Dataset yang digunakan terdiri dari gambar tangan yang menunjukkan berbagai huruf dan angka dalam BISINDO. Gambar-gambar tersebut diproses menggunakan Histogram of Oriented Gradients (HOG) untuk menghasilkan fitur yang mampu merepresentasikan bentuk tangan secara akurat meskipun terjadi perubahan cahaya, ukuran, atau arah gambar. Pada tahap klasifikasi, SVM digunakan dengan kernel radial basis function (RBF) yang bisa menangani data yang tidak bersifat linear, sedangkan Random Forest menggunakan sejumlah pohon sebagai classifier ensemble untuk meningkatkan kemampuan model dalam pengenalan secara umum. Kedua metode ini dibandingkan untuk menentukan metode mana yang paling efektif dalam mengenali BISINDO. Hipotesis penelitian menyatakan bahwa Random Forest cenderung memberikan hasil yang lebih akurat jika data yang digunakan bersih dan terstruktur dengan baik, sedangkan SVM lebih stabil ketika menghadapi variasi dalam gambar tangan yang kompleks
Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Terhadap Fasilitas dan Pelayanan Bandara Sultan Hasanuddin Makassar Tenri Sa'nah; Dolly Indra; Abdul Rachman Manga’
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3336

Abstract

Transportasi udara memiliki peran vital dalam mendukung mobilitas dan perekonomian di Indonesia, khususnya di wilayah timur yang terhubung melalui Bandara Sultan Hasanuddin Makassar. Kualitas fasilitas dan pelayanan bandara menjadi faktor penting dalam membentuk pengalaman pengguna, yang dapat diukur melalui analisis sentimen terhadap ulasan publik di platform digital. Penelitian ini bertujuan membandingkan kinerja algoritma SVM dan Naïve Bayes dalam mengklasifikasikan sentimen positif dan negatif dari 4.049 ulasan pengguna berbahasa Indonesia yang dikumpulkan dari Google Maps periode 2021-2025. Penelitian ini juga menerapkan teknik Stratified k-fold Cross-validation dengan nilai k = 4 dan k = 5 Data. diproses melalui tahapan cleaning, case folding, normalisasi, stemming, filtering, tokenizing, serta pembobotan TF-IDF. Untuk mengatasi ketidakseimbangan kelas, digunakan metode SMOTE. Hipotesis penelitian ini adalah penerapan SMOTE dapat meningkatkan akurasi model, dan SVM akan menunjukkan performa lebih unggul dibanding Naïve Bayes. Hasil pengujian menunjukkan SVM dengan kernel linear dan parameter C=1 mencapai akurasi tertinggi sebesar 97,0% pada pembagian data 80:20, sedangkan Naïve Bayes terbaik meraih 94,3% pada skenario yang sama. Temuan ini mengonfirmasi hipotesis, menunjukkan bahwa SVM dengan penyeimbangan data memberikan kinerja optimal dalam analisis sentimen ulasan bandara
Pendekatan Analitik Berbasis Big Data dan Model Prediktif Sebagai Strategi Penguatan Ekonomi Kelautan Di Wakatobi Muhammad Fuad; Ibrahim Marsela; Ridwan Ridwan
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3342

Abstract

Peningkatan ekonomi maritim di Kabupaten Wakatobi menuntut pendekatan yang berbasis pada pemanfaatan data guna menjawab beragam tantangan dalam pengelolaan sumber daya laut yang kian kompleks. Pemanfaatan Big Data bersama algoritma prediktif menjadi salah satu langkah strategis untuk mendukung proses pengambilan keputusan yang lebih akurat sekaligus berkelanjutan, terutama pada sektor perikanan, pariwisata bahari, dan konservasi laut. Penelitian ini berfokus pada upaya memahami bagaimana teknologi Big Data dan algoritma prediktif berperan dalam memperkuat ekosistem ekonomi kelautan di wilayah Wakatobi. Metode yang digunakan bersifat deskriptif-kualitatif melalui studi kasus dan wawancara mendalam dengan para pemangku kepentingan lokal. Pendekatan ini juga dilengkapi dengan analisis data sekunder yang bersumber dari platform digital kelautan serta citra satelit. Hasil penelitian memperlihatkan bahwa integrasi antara data spasial, informasi iklim laut, dan aktivitas nelayan dapat membantu memperkirakan potensi tangkapan dengan lebih baik serta mengidentifikasi zona ekonomi laut yang menjadi prioritas. Algoritma prediktif berbasis machine learning seperti Random Forest dan Support Vector Machine terbukti memberikan hasil yang cukup akurat dalam mengelompokkan wilayah yang produktif dan kurang produktif.Secara keseluruhan, penerapan teknologi tersebut tidak hanya berkontribusi pada peningkatan efisiensi pelaku usaha di sektor kelautan, tetapi juga menjadi dasar bagi perumusan kebijakan yang berbasis bukti dan berorientasi pada keseimbangan antara kepentingan ekonomi serta keberlanjutan ekologi di Wakatobi.
Filtering Konten Menggunakan Firewall dan Schedule Mikrotik Fathur Rahman; Ramdan Satra; Erick Irawadi Alwi
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3337

Abstract

Penelitian ini membahas penerapan sistem pemblokiran konten internet dengan memanfaatkan fitur firewall pada perangkat MikroTik. Studi dilakukan di lingkungan Fakultas Ilmu Komputer Universitas Muslim Indonesia, menggunakan pendekatan untuk memastikan setiap tahapan berjalan sistematis, mulai dari analisis hingga pemeliharaan. Hasil pengujian menunjukkan bahwa pemblokiran situs seperti YouTube dan Facebook berjalan sesuai jadwal yang ditentukan saat jam kuliah. Sistem ini terbukti efektif membantu menciptakan jaringan yang lebih tertib dan mendukung proses belajar- mengajar. Dengan pengelolaan yang tepat, pemanfaatan fitur ini menjadi solusi praktis untuk mengontrol akses internet agar tetap produktif dan aman

Page 2 of 2 | Total Record : 15

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 2, No 4 (2025) Vol 2, No 3 (2025) Vol 2, No 2 (2025) Vol 2, No 1 (2025) Vol 1, No 4 (2024) Vol 1, No 3 (2024) Vol 1, No 2 (2024) Vol 1, No 1 (2024)