Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal METIK JURNAL UPGRADE: Jurnal Pendidikan Teknologi Informasi
Fatma Ahardika Nurfaizal
Universitas Dian Nuswantoro
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Prediksi Aksebilitas Molekul Tamu pada Metal-Organic Framework dengan SMOTE dan AdaBoost-Machine Learning Moch Anjas Aprihartha; Harun Al Azies; Wahyu Aji Eko Prabowo; Usman Sudibyo; Ika Puspitasari; Indah Putianik; Fatma Ahardika Nurfaizal
METIK Jurnal Vol. 10 No. 1 (2026): METIK Jurnal Issue Published
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/45crx119

Abstract

Metal-Organic Frameworks (MOFs) are a special class of organic-inorganic hybrid materials widely known for their regular and periodic crystal structures. MOFs are composed of metal ions or clusters connected by organic linkers that form a three-dimensional lattice-shaped series. The advantage of MOFs is their ability to capture guest molecules in their pores. Based on these capabilities, MOFs can be utilized in various applications such as gas absorption and separation processes, catalysts, and therapeutic compound delivery systems. Currently, in creating new materials, the MOFs synthesis process still applies a conventional trial-and-error approach that has the potential for high failure rates. The purpose of this study is to develop a machine learning model as an efficient tool design in creating new MOFs materials before the experimental process is carried out. This study implements the SMOTE and AdaBoost methods integrated with machine learning algorithms in classifying MOFs pores based on the pore limiting diameter (PLD) size. The results obtained from the CART-Gentle AdaBoost model provide the best performance with an accuracy of 72.82%; precision 71.32%; recall 73.53%; specificity 72.88%; and f1 score 72.39%. This model is quite suitable for use in identifying MOF structures that are accessible to guest molecules compared to other classification models.
Algoritma Synthetic Minority Oversampling Technique dan C5.0 dalam Mengatasi Ketidakseimbangan Data pada Klasifikasi Kelulusan Siswa Moch Anjas Aprihartha; Zulhandi Putrawan; Dicky Zulhan; Fatma Ahardika Nurfaizal
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 2 No 1 (2024): Agustus
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v2i1.4148

Abstract

Algoritma supervised learning digunakan untuk memprediksi dan mengklasifikasikan atribut tertentu, namun masalah utama adalah distribusi data yang tidak merata antar kelas yang dapat menyebabkan overfitting. Untuk mengatasi ini, diperlukan augmentasi kelas minoritas menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Tujuan penelitian ini memberikan solusi praktis untuk mengatasi ketidakseimbangan data dengan SMOTE pada kasus siswa yang tidak lulus semua mata pelajaran, guna mengurangi risiko overfitting. Metode penelitian ini adalah penelitian eksperimental dengan pendekatan kuantitatif menggunakan data sekunder dari kelulusan mata pelajaran siswa. Teknik analisis data hasil SMOTE diuji dengan algoritma C5.0, dan variasi state 1 hingga 100 digunakan untuk memastikan pemilihan data training dan testing secara acak di setiap iterasi. Hasil penelitian menunjukkan bahwa uji data asli dengan algoritma C5.0 menghasilkan plot akurasi, recall, dan spesifisitas yang tidak konsisten, sedangkan uji data yang diolah dengan SMOTE menunjukkan plot yang stabil mendekati 100%. Artinya, data SMOTE memberikan performa yang lebih baik pada algoritma C5.0 dibandingkan data asli. Efektivitas teknik SMOTE dan algoritma C5.0 dapat berkontribusi bagi peneliti yang menghadapi masalah serupa. Implikasi hasil penelitian ini juga dapat dijadikan acuan dalam membuat aplikasi untuk mendeteksi kelulusan siswa guna mempermudah guru dalam mengambil keputusan.
Co-Authors Dicky Zulhan Harun Al Azies Ika Puspitasari Indah Putianik Moch Anjas Aprihartha Usman Sudibyo Wahyu Aji Eko Prabowo Zulhandi Putrawan