<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "PREDIKSI POTENSI DESA CERDAS \r\nMENGGUNAKAN ALGORITMA KLASIFIKASI \r\nRANDOM FOREST DAN LOGISTIC REGRESSION\r\nEneng Tita Tosida \r\nComputer Science Dept.\r\nPakuan Univeristy\r\nBogor, Indonesia\r\nenengtitatosida@unpak.ac.id\r\nErniyati\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nneni_erniyati@unpak.ac.id\r\nSalma Amanda\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nsalma.065119196@unpak.ac.id\r\nIndra Permana Solihin\r\nInformatic Dept.\r\nUPN Veteran\r\nJakarta, Indonesia\r\nindrapermana@upnvj@ac.id\r\nAbstrak— Pertumbuhan penduduk yang semakin lama \r\nmeningkat menimbulkan terjadinya migrasi dari desa ke kota, \r\nkarena selama ini pembangunan cenderung berorientasi dan \r\nbias sehingga menyebabkan pembangunan di desa menjadi \r\nterhambat. Hal tersebut lah yang menciptakan ketimpangan \r\nantara desa dengan kota. Salah satu cara untuk mengurangi \r\nketimpangan antara desa dan kota yaitu dengan adanya \r\npembangunan desa cerdas atau smart village. Oleh karena itu, \r\ndilakukan prediksi potensi desa cerdas dengan membandingkan \r\ndua algoritma klasifikasi, yaitu Random Forest dan Logistic \r\nRegression untuk mencari tahu mana algoritma yang \r\nkinerjanya lebih baik. Data penelitian ini bersumber dari Badan \r\nPusat Statistik tahun 2021 dengan jumlah variasi data yaitu \r\n1500, 1550, 1600, dan 1650 yang diambil secara acak dan \r\nproposional. Evaluasi pada penelitian ini menggunakan \r\nconfusion matrix dengan mengambil nilai precision yang paling \r\ntinggi sebagai pengambilan kesimpulan kinerja algoritma. \r\nPembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, \r\ndan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 \r\ndengan jumlah data 1500. Nilai precision yang paling tinggi dari \r\nalgoritma Random Forest sebesar 92.37% dan Logistic \r\nRegression sebesar 92.30%. Karena algoritma Random Forest\r\nlebih unggul daripada algoritma Logistic Regression, maka hasil \r\nprediksi yang digunakan adalah prediksi Random Forest. \r\nKata Kunci— Desa Cerdas, Potensi Desa, Random Forest, \r\nLogistic Regression"^^ . "PREDIKSI POTENSI DESA CERDAS \r\nMENGGUNAKAN ALGORITMA KLASIFIKASI \r\nRANDOM FOREST DAN LOGISTIC REGRESSION\r\nEneng Tita Tosida \r\nComputer Science Dept.\r\nPakuan Univeristy\r\nBogor, Indonesia\r\nenengtitatosida@unpak.ac.id\r\nErniyati\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nneni_erniyati@unpak.ac.id\r\nSalma Amanda\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nsalma.065119196@unpak.ac.id\r\nIndra Permana Solihin\r\nInformatic Dept.\r\nUPN Veteran\r\nJakarta, Indonesia\r\nindrapermana@upnvj@ac.id\r\nAbstrak— Pertumbuhan penduduk yang semakin lama \r\nmeningkat menimbulkan terjadinya migrasi dari desa ke kota, \r\nkarena selama ini pembangunan cenderung berorientasi dan \r\nbias sehingga menyebabkan pembangunan di desa menjadi \r\nterhambat. Hal tersebut lah yang menciptakan ketimpangan \r\nantara desa dengan kota. Salah satu cara untuk mengurangi \r\nketimpangan antara desa dan kota yaitu dengan adanya \r\npembangunan desa cerdas atau smart village. Oleh karena itu, \r\ndilakukan prediksi potensi desa cerdas dengan membandingkan \r\ndua algoritma klasifikasi, yaitu Random Forest dan Logistic \r\nRegression untuk mencari tahu mana algoritma yang \r\nkinerjanya lebih baik. Data penelitian ini bersumber dari Badan \r\nPusat Statistik tahun 2021 dengan jumlah variasi data yaitu \r\n1500, 1550, 1600, dan 1650 yang diambil secara acak dan \r\nproposional. Evaluasi pada penelitian ini menggunakan \r\nconfusion matrix dengan mengambil nilai precision yang paling \r\ntinggi sebagai pengambilan kesimpulan kinerja algoritma. \r\nPembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, \r\ndan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 \r\ndengan jumlah data 1500. Nilai precision yang paling tinggi dari \r\nalgoritma Random Forest sebesar 92.37% dan Logistic \r\nRegression sebesar 92.30%. Karena algoritma Random Forest\r\nlebih unggul daripada algoritma Logistic Regression, maka hasil \r\nprediksi yang digunakan adalah prediksi Random Forest. \r\nKata Kunci— Desa Cerdas, Potensi Desa, Random Forest, \r\nLogistic Regression\r\nEneng Tita Tosida \r\nComputer Science Dept.\r\nPakuan Univeristy\r\nBogor, Indonesia\r\nenengtitatosida@unpak.ac.id\r\nErniyati\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nneni_erniyati@unpak.ac.id\r\nSalma Amanda\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nsalma.065119196@unpak.ac.id\r\nIndra Permana Solihin\r\nInformatic Dept.\r\nUPN Veteran\r\nJakarta, Indonesia\r\nindrapermana@upnvj@ac.id\r\nAbstrak— Pertumbuhan penduduk yang semakin lama \r\nmeningkat menimbulkan terjadinya migrasi dari desa ke kota, \r\nkarena selama ini pembangunan cenderung berorientasi dan \r\nbias sehingga menyebabkan pembangunan di desa menjadi \r\nterhambat. Hal tersebut lah yang menciptakan ketimpangan \r\nantara desa dengan kota. Salah satu cara untuk mengurangi \r\nketimpangan antara desa dan kota yaitu dengan adanya \r\npembangunan desa cerdas atau smart village. Oleh karena itu, \r\ndilakukan prediksi potensi desa cerdas dengan membandingkan \r\ndua algoritma klasifikasi, yaitu Random Forest dan Logistic \r\nRegression untuk mencari tahu mana algoritma yang \r\nkinerjanya lebih baik. Data penelitian ini bersumber dari Badan \r\nPusat Statistik tahun 2021 dengan jumlah variasi data yaitu \r\n1500, 1550, 1600, dan 1650 yang diambil secara acak dan \r\nproposional. Evaluasi pada penelitian ini menggunakan \r\nconfusion matrix dengan mengambil nilai precision yang paling \r\ntinggi sebagai pengambilan kesimpulan kinerja algoritma. \r\nPembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, \r\ndan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 \r\ndengan jumlah data 1500. Nilai precision yang paling tinggi dari \r\nalgoritma Random Forest sebesar 92.37% dan Logistic \r\nRegression sebesar 92.30%. Karena algoritma Random Forest\r\nlebih unggul daripada algoritma Logistic Regression, maka hasil \r\nprediksi yang digunakan adalah prediksi Random Forest. \r\nKata Kunci— Desa Cerdas, Potensi Desa, Random Forest, \r\nLogistic Regression"^^ . "2024-06-14" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Erniyati"^^ . "Erniyati"^^ . "Erniyati Erniyati"^^ . . "Salma"^^ . "Amanda"^^ . "Salma Amanda"^^ . . "Eneng"^^ . "Tita Tosida"^^ . "Eneng Tita Tosida"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam"^^ . . . "Program Studi Ilmu Komputer"^^ . . . . . . . "PREDIKSI POTENSI DESA CERDAS \r\nMENGGUNAKAN ALGORITMA KLASIFIKASI \r\nRANDOM FOREST DAN LOGISTIC REGRESSION\r\nEneng Tita Tosida \r\nComputer Science Dept.\r\nPakuan Univeristy\r\nBogor, Indonesia\r\nenengtitatosida@unpak.ac.id\r\nErniyati\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nneni_erniyati@unpak.ac.id\r\nSalma Amanda\r\nComputer Science Dept.\r\nPakuan University\r\nBogor, Indonesia\r\nsalma.065119196@unpak.ac.id\r\nIndra Permana Solihin\r\nInformatic Dept.\r\nUPN Veteran\r\nJakarta, Indonesia\r\nindrapermana@upnvj@ac.id\r\nAbstrak— Pertumbuhan penduduk yang semakin lama \r\nmeningkat menimbulkan terjadinya migrasi dari desa ke kota, \r\nkarena selama ini pembangunan cenderung berorientasi dan \r\nbias sehingga menyebabkan pembangunan di desa menjadi \r\nterhambat. Hal tersebut lah yang menciptakan ketimpangan \r\nantara desa dengan kota. Salah satu cara untuk mengurangi \r\nketimpangan antara desa dan kota yaitu dengan adanya \r\npembangunan desa cerdas atau smart village. Oleh karena itu, \r\ndilakukan prediksi potensi desa cerdas dengan membandingkan \r\ndua algoritma klasifikasi, yaitu Random Forest dan Logistic \r\nRegression untuk mencari tahu mana algoritma yang \r\nkinerjanya lebih baik. Data penelitian ini bersumber dari Badan \r\nPusat Statistik tahun 2021 dengan jumlah variasi data yaitu \r\n1500, 1550, 1600, dan 1650 yang diambil secara acak dan \r\nproposional. Evaluasi pada penelitian ini menggunakan \r\nconfusion matrix dengan mengambil nilai precision yang paling \r\ntinggi sebagai pengambilan kesimpulan kinerja algoritma. \r\nPembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, \r\ndan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 \r\ndengan jumlah data 1500. Nilai precision yang paling tinggi dari \r\nalgoritma Random Forest sebesar 92.37% dan Logistic \r\nRegression sebesar 92.30%. Karena algoritma Random Forest\r\nlebih unggul daripada algoritma Logistic Regression, maka hasil \r\nprediksi yang digunakan adalah prediksi Random Forest. \r\nKata Kunci— Desa Cerdas, Potensi Desa, Random Forest, \r\nLogistic Regression (Text)"^^ . . . "laporan skripsi - TTD.pdf"^^ . . "HTML Summary of #8423 \n\nPREDIKSI POTENSI DESA CERDAS \nMENGGUNAKAN ALGORITMA KLASIFIKASI \nRANDOM FOREST DAN LOGISTIC REGRESSION \nEneng Tita Tosida \nComputer Science Dept. \nPakuan Univeristy \nBogor, Indonesia \nenengtitatosida@unpak.ac.id \nErniyati \nComputer Science Dept. \nPakuan University \nBogor, Indonesia \nneni_erniyati@unpak.ac.id \nSalma Amanda \nComputer Science Dept. \nPakuan University \nBogor, Indonesia \nsalma.065119196@unpak.ac.id \nIndra Permana Solihin \nInformatic Dept. \nUPN Veteran \nJakarta, Indonesia \nindrapermana@upnvj@ac.id \nAbstrak— Pertumbuhan penduduk yang semakin lama \nmeningkat menimbulkan terjadinya migrasi dari desa ke kota, \nkarena selama ini pembangunan cenderung berorientasi dan \nbias sehingga menyebabkan pembangunan di desa menjadi \nterhambat. Hal tersebut lah yang menciptakan ketimpangan \nantara desa dengan kota. Salah satu cara untuk mengurangi \nketimpangan antara desa dan kota yaitu dengan adanya \npembangunan desa cerdas atau smart village. Oleh karena itu, \ndilakukan prediksi potensi desa cerdas dengan membandingkan \ndua algoritma klasifikasi, yaitu Random Forest dan Logistic \nRegression untuk mencari tahu mana algoritma yang \nkinerjanya lebih baik. Data penelitian ini bersumber dari Badan \nPusat Statistik tahun 2021 dengan jumlah variasi data yaitu \n1500, 1550, 1600, dan 1650 yang diambil secara acak dan \nproposional. Evaluasi pada penelitian ini menggunakan \nconfusion matrix dengan mengambil nilai precision yang paling \ntinggi sebagai pengambilan kesimpulan kinerja algoritma. \nPembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, \ndan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 \ndengan jumlah data 1500. Nilai precision yang paling tinggi dari \nalgoritma Random Forest sebesar 92.37% dan Logistic \nRegression sebesar 92.30%. Karena algoritma Random Forest \nlebih unggul daripada algoritma Logistic Regression, maka hasil \nprediksi yang digunakan adalah prediksi Random Forest. \nKata Kunci— Desa Cerdas, Potensi Desa, Random Forest, \nLogistic Regression\n\n" . "text/html" . . . "Ilmu Komputer"@en . .