Rahmadi Yotenka

Rahmadi Yotenka memiliki keahlian akademik yang berpusat pada pengembangan dan penerapan metode statistika, dengan penekanan kuat pada teknik klastering dan pemodelan deret waktu berbasis kecerdasan buatan dalam lima tahun terakhir. Riset mutakhirnya secara dominan mengeksplorasi algoritma klastering seperti K-Medoids, K-Means, K-Modes, dan Affinity Propagation untuk mengelompokkan data spasial dan sosial, mulai dari luas lahan tanaman biofarmaka di Indonesia, pengguna alat kontrasepsi di Yogyakarta, hingga prioritas bantuan usaha mikro. Ia juga aktif mengembangkan pemodelan sekuensial menggunakan Recurrent Neural Network dan Long Short-Term Memory, yang diaplikasikan pada peramalan inflasi Indonesia dan perancangan warna batik secara otomatis, menunjukkan pergeseran dari model ekonometrika klasik seperti ARIMA dan regresi Poisson menuju pendekatan deep learning. Publikasi terbaru lainnya mencakup optimasi ensemble learning berbasis algoritma genetika untuk deteksi dini preeklamsia, evaluasi terapi kreatif pada anak berkebutuhan khusus melalui klastering robust, serta analisis hubungan periwayat hadis dengan algoritma SPADE. Sementara itu, karya-karya sebelumnya yang menggunakan regresi Poisson, regresi binomial negatif, dan pemodelan spasial data panel untuk kasus demam berdarah dan tuberkulosis memberikan landasan metodologis yang kokoh. Secara keseluruhan, fokus riset terkini Yotenka berada pada integrasi metode klastering dan pembelajaran mesin untuk menyelesaikan masalah multidisiplin, dengan objek kajian yang mencakup sektor pertanian, kesehatan, industri kreatif, dan kebijakan publik di Indonesia.