Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Bulletin of Network Engineer and Informatics (BUFNETS) Surya Informatika
Jose Julian Hidayat
Universitas Pelita Bangsa
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Perbandingan Kinerja Algoritma Machine Learning Dalam Prediksi Kesehatan Mental Dan Burnout Mahasiswa Jose Julian Hidayat; Fajri Fauzan Azhari; Tsania Manzilatul Husna; Aulia Nufaila Fahmayani; Novant Nanda Pradana; Cindy Setyowati
Jurnal Surya Informatika Vol. 16 No. 1 (2026): Jurnal Surya Informatika, Vol 16. No. 1, Mei 2026
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v16i1.2420

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja beberapa algoritma machine learning dalam memprediksi tingkat kesehatan mental dan burnout mahasiswa, yang diklasifikasikan ke dalam tiga kategori, yaitu Low, Medium, dan High. Algoritma yang diuji meliputi Decision Tree, Logistic Regression, Naive Bayes, Support Vector Machine (SVM), dan Random Forest. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score pada dataset berjumlah 200.000 data. Hasil penelitian menunjukkan bahwa Logistic Regression memiliki performa terbaik secara keseluruhan dengan nilai akurasi sebesar 0,8720 dan F1-Score sebesar 0,8677, diikuti oleh Random Forest dengan akurasi 0,8708. Decision Tree dan SVM juga menunjukkan performa yang kompetitif dengan akurasi masing-masing sebesar 0,8646 dan 0,8684, sementara Naive Bayes memiliki performa terendah dengan akurasi 0,8503. Namun demikian, seluruh model mengalami kesulitan dalam memprediksi kelas High, yang ditunjukkan oleh nilai recall yang relatif rendah, terutama pada SVM yang gagal mendeteksi kelas tersebut. Hal ini mengindikasikan adanya ketidakseimbangan data yang signifikan, di mana kelas Low mendominasi dataset. Secara keseluruhan, Logistic Regression dan Random Forest dapat direkomendasikan sebagai model terbaik untuk prediksi kesehatan mental mahasiswa dalam studi ini. Namun, diperlukan strategi penanganan data tidak seimbang, seperti resampling atau cost-sensitive learning, untuk meningkatkan performa prediksi pada kelas minoritas, khususnya kategori High.
Evaluasi Kinerja Algoritma Ensemble Learning Pada Klasifikasi Penyakit Diabetes Berbasis Boosting Method Jose Julian Hidayat; Muhammad Randika Saputra; Arifubila Ramdhani Sigand; Ai Linda Nurahmah Fadilah; Muhammad Dikaisa Ibnu Amin; Azhyka Rizki Ramadhan
Jurnal Surya Informatika Vol. 16 No. 1 (2026): Jurnal Surya Informatika, Vol 16. No. 1, Mei 2026
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v16i1.2424

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Dalam era data mining, penerapan algoritma machine learning khususnya metode ensemble learning berbasis boosting menjadi salah satu pendekatan yang efektif untuk klasifikasi penyakit. Penelitian ini bertujuan untuk mengevaluasi kinerja beberapa algoritma boosting, yaitu Gradient Boosting, Extreme Gradient Boosting (XGBoost), dan CatBoost dalam mengklasifikasikan penyakit diabetes. Dataset yang digunakan terdiri dari 19.230 data dengan dua kelas, yaitu non-diabetes dan diabetes. Evaluasi model dilakukan menggunakan metrik precision, recall, f1-score, dan accuracy. Hasil penelitian menunjukkan bahwa ketiga algoritma memiliki performa yang sangat baik dengan tingkat akurasi sebesar 97%. Gradient Boosting menghasilkan precision sebesar 0,99 dan recall sebesar 0,69 pada kelas diabetes dengan f1-score sebesar 0,81. XGBoost menunjukkan precision sebesar 0,97, recall 0,69, dan f1-score 0,81. Sementara itu, CatBoost menghasilkan precision sebesar 0,98, recall 0,69, dan f1-score 0,81 pada kelas diabetes. Secara keseluruhan, ketiga metode menunjukkan kinerja yang sebanding, dengan keunggulan kecil pada Gradient Boosting dalam hal precision. Namun demikian, nilai recall yang relatif rendah pada kelas diabetes menunjukkan bahwa masih terdapat tantangan dalam mendeteksi seluruh kasus positif. Oleh karena itu, diperlukan pengembangan lebih lanjut untuk meningkatkan sensitivitas model dalam klasifikasi penyakit diabetes
Klasifikasi Penyakit Diabetes Melitus Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Multi-Layer Perceptron Jose Julian Hidayat; Daffa Eka Sujianto; Muhammad Randika Saputra; Erik Ahmad Ramdhani; Muhamad Jihansyah; Yogi Nandya
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1042

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang membutuhkan proses deteksi dini secara cepat dan akurat agar risiko komplikasi dapat diminimalkan. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Diabetes Melitus menggunakan Jaringan Syaraf Tiruan dengan algoritma Multi-Layer Perceptron. Dataset yang digunakan terdiri dari 100.000 data dengan 9 atribut, yaitu gender, age, hypertension, heart disease, smoking history, body mass index, HbA1c level, blood glucose level, dan diabetes sebagai target klasifikasi. Setelah dilakukan pengecekan data, tidak ditemukan missing value, namun terdapat 3.854 data duplikat sehingga jumlah data setelah pembersihan menjadi 96.146 data. Proses penelitian meliputi preprocessing data, encoding fitur kategorikal, standardisasi fitur numerik, pembagian data training dan testing, pemodelan Multi-Layer Perceptron, serta evaluasi performa model. Model yang digunakan memiliki beberapa hidden layer dengan aktivasi ReLU, batch normalization, dropout, dan output sigmoid untuk klasifikasi biner. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 0,9715548622, precision sebesar 0,9939810834, recall sebesar 0,6816037736, F1-score sebesar 0,8086743617, dan ROC-AUC sebesar 0,9749626265. Berdasarkan hasil tersebut, algoritma Multi-Layer Perceptron mampu memberikan performa klasifikasi yang baik, khususnya dalam membedakan pasien non-diabetes dan diabetes berdasarkan atribut kesehatan yang tersedia.
COMPARISON OF CNN, FASTER R-CNN, AND MASK R-CNN FOR BRAIN TUMOR DETECTION USING MRI IMAGES Jose Julian Hidayat
Bulletin of Network Engineer and Informatics Vol. 4 No. 1 (2026): BUFNETS (Bulletin of Network Engineer and Informatics) April 2026
Publisher : PT. GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59688/737266

Abstract

Detecting brain tumours from MRI images remains a difficult challenge due to differences in tumour appearance and the necessity for high diagnostic precision. This study looks at three deep learning algorithms with varying levels of complexity: CNN as a baseline classification model, Faster R-CNN as a region-based detection method, and Mask R-CNN, which combines detection with segmentation. The dataset is divided into four categories: glioma, meningioma, pituitary, and non-tumor. The experimental results show that more advanced structures tend to perform better. The CNN model achieves an accuracy of 0.8900000000 with an F1-score of 0.8871239227, although it has problems in capturing specific tumour characteristics. Faster R-CNN enhances detection capability, with an F1-score of 0.9053533622 and an accuracy of 0.9068750000, especially when recognising tumour locations more precisely. Mask R-CNN achieves the best performance, with an accuracy of 0.9300000000 and an F1-score of 0.9288687706, indicating more consistent results across all classes. Mask R-CNN has the advantage of capturing both object position and structural features via segmentation, hence minimising misclassification. These results imply that integrating detection and segmentation is critical for improving medical image analysis. As a result, Mask R-CNN provides a more reliable method for detecting brain tumours using MRI data.
Co-Authors Ai Linda Nurahmah Fadilah Arifubila Ramdhani Sigand Aulia Nufaila Fahmayani Azhyka Rizki Ramadhan Cindy Setyowati Daffa Eka Sujianto Erik Ahmad Ramdhani Fajri Fauzan Azhari Muhamad Jihansyah Muhammad Dikaisa Ibnu Amin Muhammad Randika Saputra Novant Nanda Pradana Tsania Manzilatul Husna Yogi Nandya