Klaim Artikel Anda
Verifikasi kepemilikan artikel akademik
Apakah artikel-artikel ini milik Anda?
Daftarkan diri Anda sebagai author untuk mengklaim artikel dan dapatkan profil akademik terverifikasi dengan fitur lengkap.
Badge Verifikasi
Profil terverifikasi resmi
Statistik Lengkap
H-index, sitasi, dan metrik
Visibilitas Tinggi
Tampil di direktori author
Kelola Publikasi
Dashboard artikel terpadu
Langkah-langkah Klaim Artikel:
- 1. Daftar akun author dengan email akademik Anda
- 2. Verifikasi email dan lengkapi profil
- 3. Login dan buka menu "Klaim Artikel"
- 4. Cari dan klaim artikel Anda
- 5. Tunggu verifikasi dari admin (1-3 hari kerja)
Menampilkan 1–2 dari 2 artikel
Optimasi Software Effort Estimation Menggunakan Random Forest
Maria Rosario Borroek
; Jasmir Jasmir
; Fachruddin Fachruddin
; Marrylinteri Istoningtyas
; Yosefina Venus
Prosiding Seminar Nasional Ilmu Teknik
Vol 2
, No 2
(2025)
Software development effort estimation is crucial as it is one of the key factors for successful software development. This research employs Random Forest to estimate software development effort. To achieve better results, the study combines the Random Forest method with Genetic Algorithm. The results show that the China dataset provides more accurate estimation compared to the Desharnais dataset, because the China dataset uses relevant feature selection for estimation.
Sumber Asli
Google Scholar
DOI
Deteksi Risiko Diabetes Pada Wanita Hamil Menggunakan Algoritma Random Forest : Studi Kasus: Pima Indian Dataset
Ichwanuddin, Yazid
; Maria Rosario B
; Erissya Rasywir
Prosiding Seminar Nasional Ilmu Teknik
Vol 2
, No 2
(2025)
Gestational Diabetes Mellitus (GDM) is a pregnancy-related metabolic disorder that poses health risks to both mother and fetus if not detected early, requiring accurate prediction methods for early screening and clinical decision-making. This study applies the Random Forest algorithm to detect GDM risk using clinical data from the Pima Indian Dataset. Data preprocessing included handling missing values, standardization, feature engineering, and a 70:30 train–test split. Two models were developed...
Sumber Asli
Google Scholar
DOI