Article Per Year (5 Year)
p-Index From 2019 - 2024
1.376
P-Index
This Author published in this journals
All Journal Format : Jurnal Imiah Teknik Informatika Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Indonesian Journal on Software Engineering (IJSE) EVOLUSI : Jurnal Sains dan Manajemen IMTechno: Journal of Industrial Management and Technology Jurnal Informatika Teknologi dan Sains (Jinteks)
Richky Faizal Amir
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Engineering Industrial & Manufacturing Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Komparasi Adaboost dan Bagging Dengan Naïve Bayes Pada Dataset Bank Direct Marketing Rousyati Rousyati; Amin Nur Rais; Noor Hasan; Richky Faizal Amir; Warjiyono Warjiyono
Bianglala Informatika Vol 9, No 1 (2021): Bianglala Informatika 2021
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (318.254 KB) | DOI: 10.31294/bi.v9i1.9890

Abstract

Kampanye pemasaran produk bank secara langsung memiliki kegunaan bagi marketer untuk menawarkan produk baru kepada calon pelanggan yang ditargetkan. Dengan menggunakan data yang sudah ada yang bersumber dari pengalaman melakukan pemasaran dapat digunakan sebagai data yang akan diolah untuk membuat keputusan dimasa depan. Dengan menggunakan algoritma klasifikasi naïve bayes yang digabungkan dengan ensemble adaboost dan baaging, dilakukan percobaan untuk mendapatkan hasil komparasi akurasi dan presisi terbaik. Penelitian ini dilakukan dengan  melakukan 4 kali percobaan dengan skema hanya dengna algoritma naïve bayes, naïve bayes dengan adaboost, naïve bayes dengan bagging, dan naïve bayes dengan adaboost dan bagging. Hasil penelitian menunjukkan bahwa penggunaan algoritma naïve bayes dengan adaboost dan bagging menghasilkan nilai akurasi terbaik sebesar 90,29%. Sedangkan pada presisi, diketahui bahwa nilai presisi terbaik pada percobaan algoritma naïve bayes saja dan naïve bayes dengna bagging dengan nilai presisi yang sama sebesar 94,99%.Kata Kunci : adaboost, bagging, naïve bayes, imbalance class
Penerapan PSO Over Sampling Dan Adaboost Random Forest Untuk Memprediksi Cacat Software Richky Faizal Amir; Irwan Agus Sobari; Rousyati Rousyati
Indonesian Journal on Software Engineering (IJSE) Vol 6, No 2 (2020): IJSE 2020
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijse.v6i2.9258

Abstract

Abstract: The dataset of software metrics, in general, are not balanced (Imbalanced). Class imbalance in Dataset can reduce the performance of software defect prediction models, because it tends to produce majority class predictions from minority classes, the dataset used in this study uses the National Aeronautics and Space Administration (NASA) Metrics Data Program (MDP), dataset From Stages Pre-processing proposed the Particle Swarm Optimization (PSO). method to overcome the problem of attributes in the training data and the Random Over Sampling (ROS) Resampling method. to deal with class imbalances. This study proposes that the Random Forest method combined with Adaboost can estimate the level of disability of software through training data. The results of this study indicate that the Resampling + Adaboost + Random Forest algorithm can be used to predict software defects with an average accuracy of 94.70% and a value of AUC 0.939. While the PSO + Random Forest algorithm only has an average accuracy of 89.60% and AUC 0.636 the difference in the accuracy of the two models is 5.10% and AUC 0.303. Statistical tests show that there is a significant influence between the proposed model and the Random Forest model with a p-value (0.036) smaller than the alpha value (0.05), which means there is a significant difference between the two models.Keywords: Imbalanced Class, Resample, Particle Swarm Optimization, Random Forest, Adaboost, Software DefectAbstrak: Dataset dari software matrik secara umum bersifat tidak seimbang (Imbalanced). Ketidak seimbangan kelas yang ada dalam dataset dapat menurunkan kinerja model prediksi cacat software, karena cenderung menghasilkan prediksi kelas mayoritas dari kelas minoritas. Dataset yang digunakan pada penelitian ini menggunakan dataset National Aeronautics and Space Administration (NASA) Metrics Data Program (MDP). Dari tahapan pra pemrosesan diusulkan metode Particle Swarm Optimization (PSO) untuk mengatasi masalah attribute pada data training dan metode Resampling Random Over Sampling (ROS). untuk menangani ketidak seimbangan kelas. Penelitian ini mengusulkan metode Random Forest yang dikombinasikan dengan Adaboost dapat mengestimasi tingkat kecacatan suatu Software melalui data training, Dari Hasil penelitian ini menunjukan bahwa algoritma Resampling+Adaboost+Random Forest dapat digunakan untuk memprediksi cacat software dengan rata-rata akurasi 94,70% dan nilai AUC 0,939. Sementara algoritma PSO+Random Forest hanya memiliki rata-rata akurasi 89,60% dan AUC 0,636 perbedaan akurasi dari kedua model tersebut 5,10% dan AUC 0,303. Uji statistik menunjukan bahwa adanya pengaruh yang signifikan antara model usulan dengan model Random Forest dengan nilai p (0,036) lebih kecil dari nilai alpha (0,05) yang artinya terdapat perbedaan yang siginifkan antara kedua model.Kata kunci: Imbalanced Class, Resample, Particle Swarm Optimization, Random Forest, Adaboost, Kecacatan Software
Implementasi Aplikasi Website Online Shop Food dan Beverage Berbasis Website dengan Metode Waterfall Pada Toko Dafaira Amin Nur Rais; Rousyati Rousyati; Mochamad Firmansyah; Vinsensius Puri Dwi Setyawan; Nur Azizah; Siti Munawaroh; Desy Ayu Fatmawati; Richky Faizal Amir
Evolusi : Jurnal Sains dan Manajemen Vol 10, No 1 (2022): Jurnal Evolusi 2022
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/evolusi.v10i1.12053

Abstract

Era digital menuntut inovasi dalam berbagai aspek, termasuk dalam bidang perdagangan food and baverage. Untuk menjawab tantangan era digital, food and baverage online shop memperluas pemasarannya dengan memanfaatkan teknologi website sehingga dapat menjangkau pelanggan lebih luas. Dalam implementasinya, digunakan metode waterfall yang dimodifikasi sebagai pola dalam pembangunan website food and baverage online shop. Metode waterfall yang ditambah dengan proses validasi kebutuhan sebagai metode validasi rancangan yang sudah dibuat sehingga memberikan rancangan dan hasil yang sesuai dengan kebutuhan food and baverage online shop. Hasil penambahan proses pada metode waterfall menghasilkan metode usulan baru dengan langkah analisa kebutuhan sebagai penerjemahan hasil pengumpulan data, validasi kebutuhan sebagai langkah memvalidasi kepada stackholder tentang apa yang akan diimplementasikan, desain sebagai turunan dari analisa kebutuhan dalam bentuk rancangan sebagai acuan pada tahap implementasi. Pada tahap implementasi, dengan mengacu ke desain dan analisa kebutuhan dibuat suatu website dengan menggunakan framework codeigneter dan bootstrap. Kemudian hasil implementasi dilakukan testing untuk meminimalisir kesalahan yang terjadi setelah website dipublish. Proses akhir website dipublish agar dapat memperluas jangkauan pemasaran. Hasil dari penambahan proses validasi kebutuhan membuat website yang dibuat menjadi sesuai dengan kebutuhan stackholder serta mengakomodir kebutuhan yang dapat setelahnya.
Perancangan Animasi Interaktif Pengenalan Negara-Negara Anggota ASEAN Ikmal Mutaqin; Richky Faizal Amir; Dhika Anugerah
IMTechno: Journal of Industrial Management and Technology Vol. 1 No. 1 (2020): Januari 2020
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (336.328 KB) | DOI: 10.31294/imtechno.v1i1.49

Abstract

Ketidakpahaman pelajar terhadap suatu pelajaran tertentu mungkin disebabkan karena pelajaran yang diajarkan tidak memiliki interface yang menarik sehingga untuk seterusnya pelajar akan merasa jenuh untuk pelajaran tersebut. Tampilan yang menarik yang dapat menggambarkan pelajaran tersebut secara audiovisual akan memberikan daya tarik terhadap suatu pelajaran. Identifikasi masalahnya yaitu bagaimana membuat pelajar dapat lebih mudah mengerti dan tertarik pada pelajaran IPS. Ketertarikan pelajar terhadap suatu bagian tertentu pada pelajaran tersebut diharapkan dapat menarik pelajar juga ke bagian-bagian lainnya pada pelajaran tersebut. Khususnya tentang ASEAN yang dapat memudahkan siswa memahami pelajaran tersebut serta menjadikan IPS menjadi pelajaran yang benar–benar menarik minat siswa.
PREDIKSI PIMA INDIANS DIABETES DATABASE DENGAN ENSEMBLE ADABOOST DAN BAGGING Rousyati Rousyati; Amin Nur Rais; Eka Rahmawati; Richky Faizal Amir
Evolusi : Jurnal Sains dan Manajemen Vol 9, No 2 (2021): Jurnal Evolusi 2021
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/evolusi.v9i2.11159

Abstract

Teknologi informasi dan komunikasi dapat digunakan oleh para pakar ataupun dokter untuk menafsirkan tentang penyakit dalam waktu yang cepat dan akurat  Salah satu penerapan teknologi informasi di dunia Kesehatan dapat digunakan untuk memprediksi penyakit diabetes. Penelitian ini akan memprediksi pima indians diabetes database dengan ensemble adaboost dan bagging untuk menghasilkan akurasi yang lebih tinggi dalam mendeteksi penyakit diabetes. Data mining adalah suatu teknologi yang dapat digunakan untuk membantu perusahaan dalam mencari informasi yang dapat digunakan dari data yang dimiliki. Penggunaan data mining di implementasikan untuk prediksi, untuk mempredisi apa yang terjadi di masa yang akan datang. Dalam penelitian ini membandingkan penggunaan ensemble adaboost dan bagging terhadap algoritma klasifikasi naïve bayes, svm, dan decision tree untuk menghasilkan nilai akurasi dan presisi terbaik dari dataset Pima Indians Diabetes Database. Penelitian ini telah dapat diketahui bahwa nilai akurasi terbaik menggunakan algoritma SVM dengan penggabungan ensemble bagging meski perubahan nilai akurasinya tidak mengalami kenaikan yang signifikan sebesar 77,47%. Namun, pada pengujian presisi dihasilkan penggunaan naïve bayes lebih baik tanpa menggunakan ensemble baik adaboost maupun bagging dengan nilai 80,23%.
Optimalisasi Data Tidak Seimbang Pada Data Nasabah Koperasi dalam Pemberian Pinjaman Menggunakan Random Oversampling Richky Faizal Amir; Andreyestha Andreyestha; Imam Nawawi; Rino Ramadan
FORMAT Vol 12, No 1 (2023)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2023.v12.i1.004

Abstract

Cooperatives have developed from time to time, in providing services, credit cooperatives certainly have certain requirements as prospective customers to receive loans. Cooperatives need to check whether interested parties will receive loans. Loans to customers are the main source of income for cooperatives. In data mining, there are several classification algorithms that can be used for credit analysis, including the Random Forest and the C4.5 Algorithm. Data on prospective customers received from cooperatives as a condition for applying for credit is processed using Random Forest data mining and C4.5 Algorithm to support credit analysis in order to obtain accurate information on whether the prospect who applies for credit is feasible or not, this study was conducted to classify loans to prospective customers. cooperative customers using the Random Forest method and the C4.5 Algorithm which is optimized by Random Oversampling because the dataset is in an unbalanced condition. In testing the C4.5 Algorithm which is optimized with Random Oversampling, it gets an accuracy of 78.03%, where the accuracy increases by 7.89% from the previous 70.14%. Meanwhile, Random Forest with Random Oversampling has an accuracy value of 87.12%, an increase of 23.69% from the previous Random Forest test of 63.43
SELEKSI ATRIBUT PADA DATA TIDAK SEIMBANG NASABAH KOPERASI DENGAN OPTIMASI SMOTE DAN ADABOOST Richky Faizal Amir; Andreyestha; Imam Nawawi; Andi Taufik; Eko Pramono; Fajar Akbar
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 5 No 3 (2023): EDISI 17
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v5i3.2757

Abstract

The credit procedure is the provision of credit on the basis of the bank's belief in the ability and ability of the customer to repay. In this study, the customer data tested was divided into 3 classes, namely 39 LOW customers, 84 MEDIUM customers, and 11 HIGH customers. Unbalanced datasets are pre-processed using the Synthetic Minority Over-sampling (SMOTE) technique. Classification methods such as Random Forest and Support Vector Machine will test cooperative customer data. The data is tested based on the attribute that has the highest matching value using the Particle Swarm Optimization method, this test is also optimized with the Adaboost method to increase its accuracy. The results of tests carried out using the Random Forest method obtained an accuracy of 89.05% and the Support Vector Machine algorithm obtained an accuracy of 81.75%. Meanwhile, testing with two methods optimized with Adaboost showed an increase in accuracy with Random Forest getting 91.24% accuracy and Support Vector Machine getting 82.48% accuracy. The highest accuracy in the cooperative customer data classification test was obtained from the Random Forest algorithm which was optimized with Adaboost at 91.24%
Co-Authors Amin Nur Rais Andi Taufik Andreyestha Andreyestha Andreyestha Desy Ayu Fatmawati Dhika Anugerah Eka Rahmawati Eko Pramono Fajar Akbar Ikmal Mutaqin Imam Nawawi Irwan Agus Sobari Mochamad Firmansyah Noor Hasan Nur Azizah Rino Ramadan Rousyati Rousyati Siti Munawaroh Vinsensius Puri Dwi Setyawan Warjiyono Warjiyono