Asvic Baid Anbala
Universitas Ibrahimy

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

Found 2 Documents
Search

Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma KNN Asvic Baid Anbala; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4685

Abstract

Penyakit diabetes mellitus merupakan salah satu  Deabetes lronis meningkat setiap tahun di banyak negara, termasuk Indonesia.   Sangat penting untuk mendeteksi diabetes dini untuk mencegah komplikasi serius dan meningkatkan kualitas hidup pasien. Berdasarkan data medis pasien diabetes, penelitian ini menggunakan algoritma K-NN untuk mengklasifikasikan pasien diabetes. kumpulan data csv. Penelitian meliputi tahapan preprocessing data seperti penanganan nilai hilang, normalisasi, pembagian data (split data), serta implementasi algoritma K-NN pada RapidMiner Studio. Berdasarkan hasil pengujian dengan nilai k tertentu, diperoleh akurasi sebesar 71,43%, weighted mean recall sebesar 66,50%, dan weighted mean precision sebesar 68,41%. Hasil Ini menunjukkan bahwa algoritma K-NN dapat mengklasifikasikan dengan baik. data penderita diabetes, meskipun masih terdapat ruang untuk peningkatan performa melalui pengaturan parameter k dan metode optimasi jarak. Kata Kunci: Klasifikasi, Diabetes Mellitus, K-Nearest Neighbor, Data Mining, RapidMiner   Diabetes mellitus is a long-term condition that is becoming prevalent across the world, especially in Indonesia.  To avoid serious problems and enhance patients' quality of life, early identification of possible diabetes is essential.  The K-Nearest Neighbor (K-NN) method was used in this investigation. was used to classify diabetes patients based on medical data obtained from the diabetes.csv dataset. The research process included data preprocessing steps such as handling missing values, normalization, data splitting, and implementing the K-NN algorithm using RapidMiner Studio. Based on the test results with a specific k value, the obtained accuracy was 71.43%, weighted mean recall 66.50%, and weighted mean precision 68.41%. These findings show that the K-NN algorithm does a respectable job at identifying diabetic data; however, there is still an opportunity for improvement: parameter tuning and distance optimization methods.  Keywords: Klasifikasi, Diabetes Mellitus, K-Nearest Neighbor, Data Mining, RapidMiner
Sistem Informasi Pengontrolan Kehadiran Shalat 5 Waktu Berbasis Fingerprint Portabel Asvic Baid Anbala; Firman Santoso; Abdus Samad
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 2 (2026): Volume 5 Nomor 2 Oktober 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengontrolan kehadiran shalat 5 waktu di Pondok Pesantren Salafiyah Syafi'iyah Sukorejo masih menggunakan metode manual berbasis kertas yang menimbulkan kecurangan, ketidakakuratan, dan ketidakadilan dalam pemberian sanksi. Penelitian ini bertujuan merancang sistem informasi pengontrolan kehadiran berbasis fingerprint portabel dengan verifikasi tiga faktor (fingerprint, GPS, timestamp) menggunakan metode Agile. Sistem dikembangkan dengan Laravel 9, Kotlin/Java, MySQL, dan Firebase. Hasil penelitian menunjukkan sistem mampu mengatasi permasalahan absensi manual dengan rekapitulasi otomatis dan sanksi yang lebih adil. Metode Agile memungkinkan adaptasi cepat terhadap kebutuhan petugas di lapangan. Kebaruan penelitian ini terletak pada integrasi fingerprint portabel, GPS, timestamp, dan rekapitulasi sanksi otomatis dalam satu sistem terintegrasi untuk pengontrolan ibadah shalat. Kata Kunci: Sistem Informasi, Fingerprint Portabel, Shalat 5 Waktu, Metode Agile