Article Per Year (5 Year)
p-Index From 2019 - 2024
2.379
P-Index
This Author published in this journals
All Journal ILKOM Jurnal Ilmiah Jurnal Nasional Komputasi dan Teknologi Informasi JOURNAL OF SCIENCE AND SOCIAL RESEARCH Simtek : Jurnal Sistem Informasi dan Teknik Komputer Jurnal Tecnoscienza
Ivo Colanus Rally Drajana
Universitas Pohuwato
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Mathematics Social Sciences Other

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Tecnoscienza

 1 
Algoritma Backpropagation Menggunakan PSO Prediksi Penerimaan Retribusi Peminjaman Rumah Adat Dulohupa Sarlis Mooduto; Abdul Yunus Labolo; Andi Bode; Ivo Colanus Rally Drajana
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.711

Abstract

Regional retribution as payment for services or granting certain permits specifically granted and/or issued by local governments for personal or business interests. Gorontalo City Government has several public facilities that are used as a source of regional income in the form of taxes or levies. The Dulohupa traditional house levy carried out by the Gorontalo City Youth and Sports Tourism Office often experiences ups and downs because it is caused by uncertainty about rentals or competition. The purpose of this research is to overcome the existing problems by predicting retribution receipts using the backpropagation method, the use of particle swarm optimization (PSO) to increase the accurate value in predicting. The data collected is daily quantitative univariate time series data. This type of data is the Dulohupa Traditional House Retribution Receipt Data. The dataset taken from the levy receipt variable has 211 records. The best model is generated on the backpropagation algorithm using the particle swarm optimization (PSO) selection feature, which can be seen from the smallest error rate of 0.122. Thus the addition of a selection feature can improve the performance of an algorithm. The results of the predictions for the next four months from January to April which have been denormalized with an average number of predictions of Rp. 1,806,789 with an error value of 0.112.
Aplikasi Diagnosa Penyakit Tanaman Cabai Merah menggunakan Algoritma K-Nearest Neighbor Sunarto Taliki; Serwin Serwin; Jabal Nur; Ivo Colanus Rally Drajana
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.712

Abstract

Tanaman cabai merah merupakan komoditas holtikultura yang begitu sangat penting bagi kebutuhan dan keperluan manusia, seperti, ramuan obat-obatan tradisional, sebagai bumbu untuk makanan, dimakan bersama makanan ringan dan lain-lain. Dilihat dari tingkat serangan dan kondisi pertanian cabai merah di lapangan saat ini masi terkendala dengan belum adanya rekomendasi metode pengendalian yang efektif sehingga petani cenderung menggunakan pastisida kimia yang berdampak negatif terhadap lingkugan. Untuk mendiagnosa berbagai jenis penyakit yang menyerang tanaman cabai merah diperlukan seorang pakar/ahli. Pada peniltian ini akan membangun sebuah aplikasi yang dapat mendiagnosa dan memberikan solusi kepada petani mengenai masalah penyakit tanaman cabai merah. Aplikasi sistem pakar diagnosa penyakit tanaman cabai dapat diimplementasikan dengan melihat hasil pengujian berdasarkan konsultasi diagnosis serta solusi yang diberikan. Hal ini dapat dilihat pada jenis penyakit Busuk Akar dengan gejala kasus G01, G02 nilai Bobot 3.1, Gejala Dipilih (Benar) dan Nilai Kedekatan K-NN (3/4) = 0.75.
Penerapan Algoritma Spport Vector Machine dan K-Nearest Neighbor Menggunkan Feature Selection Backward Elimination Untuk Prediksi Status Penderita Stunting Pada Balita Abdul Yunus Labolo; Sarlis Mooduto; Andi Bode; Ivo Colanus Rally Drajana
JURNAL TECNOSCIENZA Vol. 6 No. 2 (2022): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51158/tecnoscienza.v6i2.713

Abstract

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 di wilayah Gorontalo merupakan faktor penting dalam menentukan faktor tumbuh kembang baik dalam kandungan maupun bayi yang dilahirkan. 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. Data mining didefinisikan sebagai ekstraksi informasi berharga atau berguna dari industri pertambangan atau database yang sangat besar. Penelitian ini menggunakan algoritma K-Nearest Neighbor (K-NN) dan Support Vector Machine (SVM) menggunakan feature selection backward elimination. Berdasarkan hasil eksperimen, diprediksi jumlah penderita stunting menggunakan algoritma Support Vector Machine (SVM), dan k-Nearest Neighbor (K-NN) menggunakan Backward Elimination (BE). Tingkat error terkecil hasil RMSE 2,476 pada algoritma k-nearest neighbor. Adapun perbandingan antara hasil prediksi jumlah penderita stunting dibulan januari yaitu 23 orang dengan data aktual jumlah penderita stunting yakni 26 orang. Hasil prediksi menghasilkan nilai keakuratan 88,46%.
PERBANDINGAN METODE FORECASTING K-NN, NN DAN SVM UNTUK PERAMALAN JUMLAH PRODUKSI COCONUT OIL Ivo Colanus Rally Drajana; Marniyati H. Botutihe
JURNAL TECNOSCIENZA Vol. 7 No. 2 (2023): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Tanaman pohon kelapa memiliki banyak bagian yang dimanfaatkan, sehingga tumbuhan ini dianggap tumbuhan serbaguna. Minyak kelapa (coconut oil) dihasilkan oleh buah pohon kelapa salah satunya adalah buah kelapa yang diolah menjadi minyak kelapa (coconut oil). Peramalan sangat diperlukan untuk meramalkan jumlah produksi minyak kelapa (coconut oil) pada sebuah perusahaan untuk mencapai target produksi. Penelitian ini memiliki tujuan untuk membandingkan metode forecasting untuk mendaptkan model terbaik. Dari hasil eksperimen menggunakan data sales order (SO) di peroleh model terbaik untuk peramlan menunjukkan bahwa model yang terbaik dihasilkan oleh algoritma Support Vector Machine (SVM) dilihat dari hasil RMSE terkecil yaitu 0,172 jika di bandingkan dengan model K-Nearest Neighbor (K-NN) dan model Neural Network (NN).
Co-Authors Abdul Yunus Labolo Andi Bode Andi Bode Betrisandi Betrisandi Farhan Karim Jorry Karim Marniyati H. Botutihe Merin Nurlaisa Abbas Muh Jabal Nur Ruhmi Sulaehani Sarlis Mooduto Serwin Sri Fransiska Pantatu Sunarto Taliki Zulfrianto Yusrin Lamasigi