UMGOUMGO
Jurnal Ilmu Komputer (JUIK)Jurnal Ilmu Komputer (JUIK)Kekerasan terhadap perempuan dan anak merupakan isu sosial yang masih perlu mendapatkan perhatian khusus, terutama di Kabupaten Gorontalo yang memiliki angka kasus tertinggi di Provinsi Gorontalo. Penelitian ini bertujuan untuk memprediksi tingkat kekerasan terhadap perempuan dan anak menggunakan metode Machine Learning dengan algoritma Naïve Bayes dan Regresi Linier Berganda. Data yang digunakan berasal dari Dinas Pemberdayaan Perempuan dan Perlindungan Anak Kabupaten Gorontalo, dengan variabel meliputi kekerasan fisik, seksual, penelantaran, dan psikis. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes menghasilkan RMSE sebesar 0.174 untuk kasus perempuan dan 0.254 untuk kasus anak. Sementara itu, algoritma Regresi Linier Berganda menghasilkan nilai RMSE yang sangat kecil yaitu 0.000 untuk kedua kasus. Nilai tersebut terlihat sempurna, sehingga dilakukan pengujian ulang menggunakan Google Colab untuk memastikan keakuratannya. Hasil pengujian ulang menunjukkan konsistensi, yang menandakan bahwa model Regresi Linier memberikan hasil yang andal dan tidak mengalami overfitting. Dengan demikian, algoritma Regresi Linier Berganda dinilai lebih unggul dalam memprediksi tingkat kekerasan. Hasil penelitian ini diharapkan dapat membantu pemerintah dan lembaga terkait dalam mengambil langkah pencegahan serta tindakan yang lebih cepat, sehingga kasus kekerasan terhadap perempuan dan anak di Kabupaten Gorontalo dapat dicegah.
Penelitian menunjukkan bahwa Regresi Linier Berganda memberikan prediksi tingkat kekerasan yang jauh lebih akurat dibandingkan Naïve Bayes, dengan nilai RMSE mendekati nol untuk kasus perempuan dan anak.254 untuk anak, menandakan akurasi yang lebih rendah.Oleh karena itu, Regresi Linier Berganda dianggap lebih efektif dan dapat diandalkan untuk memprediksi tingkat kekerasan terhadap perempuan dan anak di Kabupaten Gorontalo.
Penelitian selanjutnya dapat mengeksplorasi algoritma pembelajaran mesin lain seperti Random Forest atau XGBoost untuk meningkatkan akurasi prediksi dibandingkan dengan Regresi Linier Berganda yang telah digunakan saat ini; peneliti dapat meneliti apakah penambahan variabel sosio‑ekonomi, seperti tingkat kemiskinan, pendidikan, dan akses layanan kesehatan, dapat memperkuat model prediksi dan memperluas cakupan data temporal meliputi periode yang lebih panjang; serta mengembangkan sistem pemantauan real‑time berbasis data streaming yang memungkinkan evaluasi kinerja model secara berkelanjutan dalam konteks operasional, sehingga dapat memberikan rekomendasi kebijakan yang lebih responsif terhadap dinamika kekerasan di wilayah Gorontalo.
| File size | 504.5 KB |
| Pages | 9 |
| DMCA | Report |
Related /
UBUB Hasil eksperimen menunjukkan bahwa teknik ini mampu mengurangi kompleksitas graf hingga 60% tanpa kehilangan informasi penting. Kakas yang dikembangkanHasil eksperimen menunjukkan bahwa teknik ini mampu mengurangi kompleksitas graf hingga 60% tanpa kehilangan informasi penting. Kakas yang dikembangkan
UBUB Hasil dokumentasi sprint menunjukkan bahwa fitur ini berfungsi sesuai dengan skenario pengujian internal dan berpotensi meningkatkan aksesibilitas. MeskipunHasil dokumentasi sprint menunjukkan bahwa fitur ini berfungsi sesuai dengan skenario pengujian internal dan berpotensi meningkatkan aksesibilitas. Meskipun
UBUB Keunggulan GWO didukung oleh pengurangan jumlah fitur yang terpilih secara signifikan, sehingga meminimalkan dimensi data sekaligus menjaga atau meningkatkanKeunggulan GWO didukung oleh pengurangan jumlah fitur yang terpilih secara signifikan, sehingga meminimalkan dimensi data sekaligus menjaga atau meningkatkan
UBUB Hasil pengujian menunjukkan posisi cart paling stabil -3 m dari posisi awal, rise time 2,31 detik, settling time 2,44 detik, dan sudut simpangan maksimumHasil pengujian menunjukkan posisi cart paling stabil -3 m dari posisi awal, rise time 2,31 detik, settling time 2,44 detik, dan sudut simpangan maksimum
UBUB Naïve Bayes memberikan akurasi 82% dengan precision tertinggi pada kelas positif. Kombinasi preprocessing yang tepat dan pemilihan algoritma yang sesuaiNaïve Bayes memberikan akurasi 82% dengan precision tertinggi pada kelas positif. Kombinasi preprocessing yang tepat dan pemilihan algoritma yang sesuai
UBUB Dataset yang digunakan terdiri dari total 11.441 gambar, yang dibagi ke dalam tiga subset utama. Pembagian dilakukan dengan mempertahankan distribusi kelasDataset yang digunakan terdiri dari total 11.441 gambar, yang dibagi ke dalam tiga subset utama. Pembagian dilakukan dengan mempertahankan distribusi kelas
UBUB Namun, setelah penerapan information gain, algoritma KNN menunjukkan hasil paling optimal dengan akurasi mencapai 81,28% serta performa yang relatif seimbangNamun, setelah penerapan information gain, algoritma KNN menunjukkan hasil paling optimal dengan akurasi mencapai 81,28% serta performa yang relatif seimbang
UBUB Evaluasi model menggunakan metrik mean Average Precision (mAP) dengan delapan skenario pelatihan, yakni kombinasi batch size (16, 32), epoch (100, 300),Evaluasi model menggunakan metrik mean Average Precision (mAP) dengan delapan skenario pelatihan, yakni kombinasi batch size (16, 32), epoch (100, 300),
Useful /
PNLPNL Reformulasi ini juga berdampak positif terhadap efisiensi pembakaran, pengurangan emisi, serta potensi penghematan energi pada sistem pemanasan bahan bakar.Reformulasi ini juga berdampak positif terhadap efisiensi pembakaran, pengurangan emisi, serta potensi penghematan energi pada sistem pemanasan bahan bakar.
PNLPNL Waktu maserasi dan rasio komposisi ekstrak daun sirih serta serai wangi secara signifikan memengaruhi karakteristik fisikokimia dan aktivitas antibakteriWaktu maserasi dan rasio komposisi ekstrak daun sirih serta serai wangi secara signifikan memengaruhi karakteristik fisikokimia dan aktivitas antibakteri
UMGOUMGO Terlihat bahwa Akurasi model cenderung meningkat seiring bertambahnya proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98%.Terlihat bahwa Akurasi model cenderung meningkat seiring bertambahnya proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98%.
UMGOUMGO Model prediksi sederhana berbasis Qty Δ1 Δ2 menghasilkan akurasi tinggi dengan MAE 1,35, MSE 92,32, dan MAPE 3,35%, yang menandakan kesalahan prediksiModel prediksi sederhana berbasis Qty Δ1 Δ2 menghasilkan akurasi tinggi dengan MAE 1,35, MSE 92,32, dan MAPE 3,35%, yang menandakan kesalahan prediksi