Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer & Kecerdasan Buatan JAMBURA JOURNAL OF PROBABILITY AND STATISTICS
DRAJAT INDRA PURNAMA
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Environmental Science Social Sciences

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

Found 2 Documents
Search

 1 
PERBANDINGAN REGRESI NONPARAMETRIK KERNEL DAN B-SPLINES PADA PEMODELAN RATA-RATA LAMA SEKOLAH DAN PENGELUARAN PERKAPITA DI INDONESIA SEPTIE WULANDARY; DRAJAT INDRA PURNAMA
Jambura Journal of Probability and Statistics Vol 1, No 2 (2020): Jambura Journal of Probability and Statictics
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/jjps.v1i2.7501

Abstract

Analisis regresi merupakan salah satu alat statistik yang banyak digunakan untuk mengetahui hubungan antara dua variabel acak atau lebih. Metode penaksiran model regresi terbagi atas regresi parametrik dan nonparametrik. Penelitian ini bertujuan menganalisis pola hubungan pengeluaran perkapita terhadap rata-rata lama sekolah di Indonesia tahun 2018 melalui perbandingan regresi nonparametrik, yaitu regresi kernel dan spline. Regresi kernel yang digunakan adalah regresi kernel dengan metode penaksir Nadaraya-Watson (NWE), sedangkan regresi spline yang digunakan adalah B-Splines. Berdasarkan nilai Generalized Cross Validation (GCV) yang minimum dari model regresi B-Splines, digunakan model dengan degree 2. Perbandingan model terbaik antara model NWE dan B-Splines dilakukan berdasarkan nilai RMSE terkecil dan kurva yang dihasilkan. Pada penelitian ini, model yang terbaik adalah model B-Splines karena memiliki RMSE 0,705, lebih kecil dibandingkan NWE dengan RMSE 1,854. Selain itu, regresi B-Splines memiliki kurva yang halus dan mengikuti sebaran data dibandingkan kurva NWE.
Analisis Klasifikasi Data Tracer Study Dengan Support Vector Machine Dan Neural Network Drajat Indra Purnama; Rahmi Lathifah Islami; Lisna Sari; Pardomuan Robinson Sihombing
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 4 No. 2 (2021): Volume IV - Nomor 2 - Maret 2021
Publisher : Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v4i2.191

Abstract

Perguruan tinggi melakukan Tracer study secara reguler setiap tahun untuk memenuhi kebutuhan data akreditasi, pengembangan kurikulum dan perbaikan pembelajaran di perguruan tinggi serta mengetahui kualitas lulusan. Penelitian ini bertujuan melakukan analisis klasifikasi waktu tunggu kerja untuk mengetahui tingkat kelancaran alumni dalam mendapatkan pekerjaan dengan menggunakan metode klasifikasi Support Vector Machines(SVM) dan Backpropagation Neural Network (BPNN). Kedua metode klasifikasi baik BPNN dan SVM dengan fungsi Kernel Anova dapat menggambarkan klasifikasi data tracer study berdasarkan tingkat kelancaran alumni untuk mendapatkan pekerjaan (lancar dan tidak lancar) dengan tingkat akurasi yang hampir sama, yaitu sebesar 83.33% untuk tangkat akurasi BPNN dan 83.00% untuk tingkat akutasi SVM. Diharapkan dengan mengetahui faktor yang dapat mengklasifikasikan tingkat kelancaran dalam mendapatkan pekerjaan, pihak universitas dapat memberikan kebijakan yang relevan sehingga kualitas lulusan akan semakin baik.
Co-Authors Lisna Sari Pardomuan Robinson Sihombing Rahmi Lathifah Islami Septie Wulandary