Analisis Runtun Waktu Untuk Memprediksi Jumlah Mahasiswa Baru Dengan Model Random Forest

Rianto, Marchell; Yunis, Roni

doi:10.31294/p.v23i1.9781

Cited by 10 publications

(10 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian ini bertujuan untuk meramalkan data dalam periode tertentu sehingga untuk mendapatkan akurasi terbaik dari hasil peralaman tersebut maka perlu dilakukan dengan sebaik mungkin seperti melalui tahapan-tahapan proses dari pengecekan data Bentuk Umum persamaan modelnya adalah (Rianto & Yunis, 2021):…”

Section: Metode Analisis Dataunclassified

Peramalan BI Rate Di Indonesia dengan Metode Time Series Model ARIMA

Hasanah

2023

SINTA Accredited

View full text Add to dashboard Cite

Bi rate determination is one of the monetary policies carried out by the government to regulate the macroeconomic level. The determination of the Bi rate serves as one of the references for entrepreneurs in determining steps for business sustainability. In addition, determining the Bi rate can also control inflation by regulating the amount of money circulating in the community. This research implements the ARIMA model to forecast the BI rate in the period December 2023 to April 2024. Based on the results of the tests that have been carried out, using the best variable values, namely comparing AIC, SIC and HQC values in determining the best model, the ARIMA model (1,1,0) was chosen. The results of the forecasting value in this study that the Bi Rate for the next 5 months, starting from December 2023 to April 2024, shows a downtrend in the Bi rate value

show abstract

Section: Metode Analisis Dataunclassified

Peramalan BI Rate Di Indonesia dengan Metode Time Series Model ARIMA

Hasanah

2023

SINTA Accredited

View full text Add to dashboard Cite

show abstract

“…Random Forest bergantung pada sebuah nilai vector random dengan distribusi yang sama pada semua pohon yang masing masing decision tree memiliki kedalaman yang maksimal. Random forest adalah classifier yang terdiri dari classifier yang berbentuk pohon [14].…”

Section: Algoritmaunclassified

Pengembangan Aplikasi Pendaftaran Forum Diskusi Berbasis Web Menggunakan Kombinasi Algoritma Decision Tree Dan Random Forest

Yuniati

Andrianingsih

Fitri

2022

mib

View full text Add to dashboard Cite

A discussion forum is a place that aims to carry out activities by discussing something or exchanging ideas with the aim of knowing common interests. This study aims to simplify the process of a registration system for discussion forum participants so that participant data is more structured by classifying participant data into 2 types, namely ordinary participants and competitor participants. Ordinary participants are participants who participate in all series of activities without being competitors in discussion forum activities, while competitor participants are participants who participate in all series of activities and can make presentations. The research method used is a combination of Decision Tree and Random Forest algorithms, namely a structured or sequential method from the concept planning, modeling, implementation, testing and maintenance stages. In this case, it is necessary to create a website with a management information system design. The information system in making this website must systematically be structural and the technology used for website creation, namely: PHP, HTML, CSS, with a database system using MySQL. The designs that have been designed are starting from the login menu, participant data, participant assignments, materials, participant scores up to the logout menu, while testing has been carried out by accessing the website by 20 users at the same time and can be generated by calculating the seconds obtained From these tests, the database used is increasing, namely 600, 800 to 1,000 participant databases.

show abstract

“…Selain untuk klasifikasi, metode ini juga dapat digunakan untuk prediksi. Dalam penelitian yang dilakukan oleh (Rianto & Yunis, 2021) untuk memprediksi jumlah mahasiswa baru dengan model Random Forest (RF) dengan tingkat akurasi 99,8%. Penelitian lain juga digunakan untuk memprediski Bit Coin menggunakan RF dengan tingkat akurasi 98,50% (Saadah & Salsabila, 2021).…”

Section: Pendahuluanunclassified

Klasifikasi Status Kemiskinan Menggunakan Algoritma Random Forest

Syaidatussalihah

Abdurahim²

2022

EMJ

View full text Add to dashboard Cite

Kemiskinan merupakan persoalan mendasar karena menyangkut pemenuhan kebutuhan dasar masyarakat. Di Provinsi NTB, tidak sedikit rumah tangga yang hidup di bawah garis kemiskinan. Salah satu penyebabnya adalah belum optimalnya upaya pemerintah dalam menurunkan tingkat kemiskinan. Oleh karena itu, perlu diklasifikasi faktor-faktor yang mempengaruhi tingkat kemiskinan sehingga dapat digunakan sebagai acuan dalam mengambil kebijakan untuk mengurangi tingkat kemiskinan. Salah satu metode untuk klasifikasi adalah metode Random Forest. Metode Random Forest dengan nilai mtry dan ntree optimal masing-masing yaitu dan menghasilkan tingkat akurasi sebesar 81,3%. Hal ini berarti ketepatan metode klasifikasi Random Forest untuk data ini sudah sangat baik. Adapun faktor yang paling berpengaruh dalam menentukan status kemiskinan berdasarkan analisis Random Forest adalah variabel penghasilan dengan dengan nilai Mean Decrease Accuracy sebesar 23,92%. Variabel ini yang memiliki paling nilai Mean Decrease Accuracy tinggi diantara variabel atribut yang lainnya. Keywords: Kemiskinan, Random Forest, Mean Decrease Accuracy

show abstract

Analisis Runtun Waktu Untuk Memprediksi Jumlah Mahasiswa Baru Dengan Model Random Forest

Cited by 10 publications

References 1 publication

Peramalan BI Rate Di Indonesia dengan Metode Time Series Model ARIMA

Peramalan BI Rate Di Indonesia dengan Metode Time Series Model ARIMA

Pengembangan Aplikasi Pendaftaran Forum Diskusi Berbasis Web Menggunakan Kombinasi Algoritma Decision Tree Dan Random Forest

Klasifikasi Status Kemiskinan Menggunakan Algoritma Random Forest

Contact Info

Product

Resources

About