AbstrakKopi arabika tergolong salah satu komoditas unggulan didalam subsektor perkebunan di Indonesia karena memiliki peluang pasar yang baik di dalam negeri maupun luar negeri. Dalam penelitian ini akan dilakukan peramalan harga komoditi kopi arabika. Metode Time series adalah metode yang digunakan untuk peramalan dimasa lalu dan mengetahui nilai di masa yang akan datang. Seleksi fitur digunakan sebagai tujuan untuk memilih variabel-variabel yang signifikan dalam melakukan prediksi harga komoditi kopi arabika menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination (BE). Hasil eksperimen penelitian ini menunjukan dimana algoritma KNN dengan Backward Elimination dapat memperkecil nilai error, dibandingkan dengan KNN tanpa seleksi fitur dan BPNN, BPNN dengan Backward Elimination.

Pohon kelapa banyak dimanfaatkan oleh manusia, sehingga tumbuhan ini dianggap tumbuhan serbaguna, salah satunya minyak kelapa yang dihasilkan oleh buah pohon kelapa. Produksi jumlah minyak kelapa menjadi bagian penting disetiap perusahaan yang bergerak di bidang produksi dengan tujuan mencapai target hasil produksi. Namaun Produksi minyak setiap hari mengalami perubahan fluktuatif. Perusahaan sangat memerlukan prediksi jumlah produksi. Penelitian ini bermaksud membandingakn metode support vector machine dan linear regression mengunakan fitur seleksi backward elimination berdasarkan data time series Sales Order. Hasil penelitian pada dataset sales order dengan menggunakan metode Support Vector Machine (SVM) didapatkan RMSE 0,127, dengan menggunakan metode SVM dan Backward Elimination (BE) didapatkan RMSE 0,115, dengan metode Linear Regression (LR) didapatkan RMSE 0,118 dan dengan menggunakan metode LR dan Backward Elimination didapatkan RMSE 0,118.  Dari hasil perbandingan tersebut dapat disimpulkan bahwa kinerja SVM menggunakan Backward Elimination lebih baik dibanding SVM, LR dan LR menggunakan Backward Elimination

Masalah transportasi masih sering dihadapkan pada fenomena kemacetan arus lalu lintas yang berdampak pada kecelakaan lalu lintas, polusi, dan kerugian ekonomi. Salah satu cara untuk meminimalisir fenomena tersebut melalui pengendalian sistem lampu lalu lintas yang baik terhadap arus lalu lintas jangka pendek di persimpangan jalan. Pengendalian lampu lalu lintas secara statis terbukti belum optimal dalam meminimalisir kemacetan arus lalu lintas, salah satu penyebabnya karena kondisi arus lalu lintas yang bervariasi sehingga tidak mudah diprediksi. Fuzzy Inference System (FIS) sering terbukti mampu menunjukkan hasil yang lebih baik daripada pengendalian lampu lalu lintas secara statis. Namun FIS tidak dapat diterapkan pada kondisi arus lalu lintas yang bervariasi atau di persimpangan jalan yang berbeda karena metode tersebut tidak mampu mempelajari kondisi arus lalu lintas secara real time. Agar FIS mampu melakukan pembelajaran, maka pendekatan machine learning dapat diterapkan pada FIS. Salah satu pengembangannya adalah Adaptive Neuro Fuzzy Inference System (ANFIS) yang dapat mengendalikan lampu lalu lintas cerdas secara dinamis dengan hasil yang lebih baik daripada FIS. Namun umumnya ANFIS diuji coba pada persimpangan jalan yang normal. Bagaimana jika di persimpangan yang kompleks? Persimpangan yang memiliki beberapa ruas/jalur utama yang besar (jalur poros), sementara ruas laiinya kecil, bahkan terdapat ruas yang tidak berpotongan, sehingga ada prioritas untuk setiap ruasnya. Hasilnya, penerapan ANFIS (3 GaussMf) untuk pengendalian lampu lalu lintas cerdas/dinamis di persimpangan empat ruas yang kompleks mampu mereduksi Average Waiting Times (AWT) rata-rata sebesar 3,4071E-05 detik dengan 2,7156 RMSE rata-rata, menggunakan variabel Queues Quantity dan Priority Degree. Sedangkan jika menggunakan variabel Arrival Times, Transportation Type, dan Goal Junction, ANFIS (4 TrapMf) mampu mereduksi AWT sebesar 0,0779 detik dengan 19,7646 RMSE.

Abstrak - Stunting adalah malnutrisi yang ditandai dengan tinggi badan, diukur dengan standar deviasi dari WHO. Dinas Kesehatan Provinsi Gorontalo khususnya dibidang Gizi mengenai stunting, selama ini melakukan kegiatan pemantauan tiap-tiap puskesmas dan posyandu. Pemantauan dan pendataan terkait stunting di berbagai puskesmas faktor penting. Masalah yang sering muncul adalah data yang dikumpulkan untuk underestimasi selalu tidak akurat setiap bulannya, karena hanya perkiraan yang dihitung berdasarkan kasus puskesmas. Prediksi yang akurat diperlukan untuk mengatasi permasalahan yang ada. Penelitian ini menggunakan algoritma K-Nearest Neighbor (K-NN) menggunkan Chi Square. Berdasarkan hasil eksperimen, prediksi jumlah penderita stunting telah berhasil dilakukan. Maka nilai hasil dari prediksi tersebut dapat diimplementasikan untuk bahan pertimbangan atau kebijakan didalam pengambilan keputusan. Tingkat error terkecil hasil RMSE 1,200 pada algoritma K-Nearest Neighbor menggunkan Chi Square dibandingkan algoritma K-Nesrest Neighbor tanpa seleksi fitur. Dengan demikian dari hasil eksperimen menunjukan bahwa penambahan seleksi fitur telah menunjukan performa kinerja yang baik pada algoritma K-Nearest Neighbor.Kata kunci: Prediksi, Stunting, K-NN, Chi Square Abstract - Stunting is a nutritional deficiency characterized by height as measured by the WHO standard deviation. The Gorontalo Provincial Health Office, especially in the field of nutrition related to stunting, has so far carried out monitoring activities at every puskesmas and posyandu. Monitoring and data collection related to stunting in various health centers is an important factor. The problem that often arises is that the data collected for underestimation is always inaccurate every month, because only estimates are calculated based on puskesmas cases. Accurate predictions are needed to overcome the existing problems. This study uses the K-Nearest Neighbor (K-NN) algorithm using Chi Square. Based on the experimental results, the prediction of the number of stunting sufferers has been successfully carried out. Then the value of the predicted results can be implemented for consideration or policy in decision making. The smallest error rate is RMSE 1,200 in the K-Nearest Neighbor algorithm using Chi Square compared to the K-Nesrest Neighbor algorithm without feature selection. Thus, the experimental results show that the addition of feature selection has shown good performance on the K-Nearest Neighbor algorithm.Keyword: Prediction, Stunting, K-NN, Chi Square

Meningkatnya volume produksi jagung yang diperdagangkan dan kecenderungan harga jagung dipasaran menuntut kebijakan pemerintah dalam mengendalikan stabilasi harga jagung. Sehingga pemerintah kesulitan dalam menentukan atau memprediksi harga komoditi yang akan datang, namun pada penelitian ini hanya fokus pada beberapa algoritma klasifikasi untuk mengetahui algoritma apakah yang mempunyai tingkat akurasi tertinggi dalam hal prediksi harga jagung sehingga dapat digunakan dalam melakukan prediksi harga beberapa hari kedepannya. Dalam data mining ada beberapa algoritma klasifikasi yang dapat digunakan, seperti K-Neural Network, Artificial Neural Network, Naïve Bayes, Regresi Linear, C-45 dll, namun pada penelitian ini hanya fokus pada dua metode saja yaitu Naïve Bayes dan K- Neural Network. Berdasarkan hasil penelitian yang dilakukan metode K-nn merupakan metode yang sangat bagus atau baik dalam melakukan prediksi ataupun klasifikasi, hala ini dapat dilihat dari hasil RMSE yang di hasilkan yaitu 0,05, metode ini mampu menghasilkan nilai terbaik walaupun tanpa adanya penambahan metode lain seperti forward selection, sementara itu untuk naïve bayes metode ini juga merupakan metode terbaik dalam melakukan prediksi ataupun klasifikasi, akan tetapi naïve bayes mempunyai beberapa kekurangan apabila digunakan untuk type data univariate ataupun numerical. Penambahan forward selection kepada pengolahan data dapat membantu menghasilkan akurasi yang baik pula. Walaupun tanpa forward selection K-NN dan Naïve bayes merupakan metode komputasi yang sangat baik dalam prediksi ataupun klasifikasi. Kata kunci: Harga Jagung, Komparasi Metode, K-Neural Network, Naïve bayes, forward selection