Article Per Year (5 Year)
p-Index From 2020 - 2025
1.168
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Informatika dan Sains Jurnal Khatulistiwa Informatika VOX EDUKASI: Jurnal Ilmiah Ilmu Pendidikan Indonesian Journal of Data and Science Jurnal Computer Science and Information Technology (CoSciTech) SmartComp Jurnal Medika: Medika
Siregar, Alda Cendekia
Unknown Affiliation
Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Health Professions Mathematics Medicine & Pharmacology Nursing Physics Public Health

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
KLASIFIKASI OBESITAS DENGAN ALGORITMA C5.0 BERDASARKAN POLA MAKAN DAN KONDISI FISIK Nasim, Muhammad; Siregar, Alda Cendekia; Insani, Rachmat Wahid Saleh
Jurnal Khatulistiwa Informatika Vol 12, No 2 (2024): Periode Desember 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jki.v12i2.23974

Abstract

Obesitas merupakan salah satu masalah kesehatan global yang terus meningkat, dipengaruhi oleh berbagai faktor seperti gaya hidup yang tidak sehat, pola makan tinggi kalori, dan kurangnya aktivitas fisik. kondisi ini dapat menyebabkan berbagai komplikasi serius seperti penyakit jantung, diabetes tipe 2, tekanan darah tinggi, dan berbagai kondisi kesehatan lainnya yang mengurangi kualitas hidup dan meningkatkan angka kematian. dalam penelitian ini, kami mengembangkan sistem klasifikasi tingkat obesitas menggunakan algoritma c5.0, yang dikenal karena kemampuannya dalam menangani data yang kompleks dan multikategori. algoritma ini juga efektif dalam menghasilkan model pohon keputusan yang mudah diinterpretasi oleh tenaga kesehatan. dataset yang digunakan dalam penelitian ini terdiri dari 2.111 sampel dengan 17 variabel, termasuk jenis kelamin, usia, tinggi badan, berat badan, kebiasaan makan, riwayat keluarga, dan aktivitas fisik. model c5.0 yang dibangun menunjukkan hasil yang sangat baik dengan akurasi mencapai 94,78% pada data uji. evaluasi model dilakukan menggunakan matriks kebingungan yang menunjukkan performa tinggi dengan nilai akurasi, presisi, recall, dan f1-score yang konsisten di hampir semua kategori obesitas. secara khusus, model ini mencapai nilai sempurna dalam mendeteksi kategori obesity type iii, yang menunjukkan kemampuannya yang kuat dalam mengidentifikasi tingkat obesitas yang paling parah. hasil ini menunjukkan bahwa algoritma c5.0 dapat menjadi alat yang efektif untuk mendukung sistem pendukung keputusan dalam mendeteksi risiko obesitas, yang pada akhirnya dapat membantu dalam pengembangan strategi pencegahan dan intervensi yang lebih efektif untuk meningkatkan kesehatan masyarakat.
Performance Comparison of CNN and ResNet50 for Skin Cancer Classification Using U-Net Segmented Images Aris Wahyu Murdiyanto; Zulfikar, Dian Hafidh; Waluyo Poetro, Bagus Satrio; Siregar, Alda Cendekia
Indonesian Journal of Data and Science Vol. 5 No. 3 (2024): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v5i3.200

Abstract

Skin cancer is a significant global health issue, with melanoma, basal cell carcinoma, and actinic keratosis being the most common types. Early and accurate detection is critical to improve survival rates and treatment outcomes. This study evaluates the performance of Convolutional Neural Networks (CNN) and ResNet50 in classifying segmented images of skin lesions. The dataset, sourced from Kaggle, was pre-processed using U-Net for lesion segmentation to enhance the quality of input data. Both models were trained and evaluated using accuracy, precision, recall, and F1-score metrics. The CNN model demonstrated a balanced performance across classes, with a weighted F1-score of 47%, but suffered from overfitting, as indicated by the divergence between training and validation losses. ResNet50 achieved better recall for basal cell carcinoma (100%) but failed to classify actinic keratosis and melanoma, resulting in a macro F1-score of 23%. The findings reveal that U-Net segmentation improved classification focus but was insufficient to address dataset imbalance and model-specific limitations. This study highlights the challenges of skin cancer classification using deep learning and underscores the importance of addressing data imbalance and overfitting. Future research should explore advanced techniques, such as ensemble methods, data augmentation, and transfer learning, to improve the generalization and clinical applicability of these models. The proposed framework serves as a foundation for further investigation into automated skin cancer detection systems.
IMPLEMENTASI PROMETHEE DALAM MENENTUKAN PRIORITAS PERBAIKAN SARANA DAN PRASARANA SEKOLAH DASAR DI KOTA PONTIANAK Azwar, Agim Aljanata; Siregar, Alda Cendekia; Octariadi, Barry Ceasar
VOX EDUKASI: Jurnal Ilmiah Ilmu Pendidikan Vol 16, No 1 (2025): APRIL
Publisher : STKIP Persada Khatulistiwa Sintang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31932/ve.v16i1.4486

Abstract

ABSTRAKPenyediaan sarana dan prasarana yang memadai di sekolah dasar merupakan kunci peningkatan kualitas pendidikan di Kota Pontianak. Banyak sekolah mengalami kendala fasilitas yang kurang layak, sedangkan Dinas Pendidikan masih mengandalkan prosedur manual dalam menentukan prioritas perbaikan. Penelitian ini bertujuan mengoptimalkan proses penentuan prioritas perbaikan dengan menerapkan metode Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE). Metodologi yang digunakan meliputi identifikasi masalah melalui wawancara, pengumpulan data kerusakan infrastruktur sekolah, serta analisis multi-kriteria menggunakan promethee berdasarkan kondisi bangunan seperti kolom, balok, atap, plafon, lantai, kusen, pintu, jendela, instalasi listrik, dan instalasi air bersih. Setiap alternatif sekolah dibandingkan berdasarkan kriteria tersebut untuk menghasilkan peringkat prioritas perbaikan. Hasil penelitian menunjukkan Sekolah A memperoleh nilai tertinggi (0,155844) sehingga perlu diprioritaskan, diikuti oleh Sekolah E (0,038961), sedangkan Sekolah B dan C bernilai 0. Dengan demikian, metode promethee terbukti efektif dalam menentukan prioritas perbaikan, mendukung alokasi sumber daya yang efisien, serta mendorong peningkatan fasilitas pendidikan secara berkelanjutan.Kata Kunci: Sarana Prasarana Sekolah ,Promethee, Sistem Pendukung KeputusanABSTRACTProviding adequate facilities and infrastructure in elementary schools is essential for improving the quality of education in Pontianak City. Many schools face issues related to inadequate facilities, while the Education Office still relies on manual procedures to determine repair priorities. This study aims to optimize the process of determining repair priorities by applying the Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE). The methodology includes problem identification through interviews, data collection on infrastructure damage, and multi-criteria analysis using promethee based on physical building conditions, such as columns, beams, roofs, ceilings, floors, frames, doors, windows, electrical installations, and clean water installations. Each alternative school is compared based on these criteria to produce a priority ranking for repairs. The results show that School A obtained the highest score (0.155844), indicating the highest priority, followed by School E (0.038961), while Schools B and C received a score of 0. These findings demonstrate that the PROMETHEE method is effective in determining repair priorities, supporting efficient resource allocation, and promoting the sustainable improvement of educational infrastructure.Keywords: School Infrastructure Facilities, Promethee, Decision Support System
Analisis sentimen pengguna X terhadap Istana Garuda IKN menggunakan algoritma Naïve Bayes Ramdhania, Nur Annisa; Siregar, Alda Cendekia; Sucipto
Jurnal Pendidikan Informatika dan Sains Vol. 14 No. 1 (2025): Jurnal Pendidikan Informatika dan Sains
Publisher : IKIP PGRI Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31571/saintek.v14i1.8735

Abstract

Istana Garuda merupakan bagian penting dalam pembangunan Ibu Kota Negara (IKN) baru yang menarik perhatian publik, khususnya terkait desainnya. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Istana Garuda menggunakan data dari media sosial X dan mengukur akurasi klasifikasi sentimen dengan algoritma Naïve Bayes. Data dikumpulkan melalui teknik web crawling pada Februari 2024 menggunakan kata kunci “Istana Garuda IKN” dengan Tweet Harvest dan Google Colab. Sebanyak 807 tweet pengguna yang relevan diperoleh dan dilabeli secara manual. Proses analisis dilakukan melalui tahapan Knowledge Discovery in Databases (KDD), mencakup preprocessing (normalization, stopword removal, tokenizing, stemming), pelabelan sentimen, pembagian data, klasifikasi menggunakan Naïve Bayes, dan evaluasi menggunakan confusion matrix. Dengan model terbaik menggunakan rasio data latih dan uji 80:20, menghasilkan akurasi 84,56%, precision 86%, dan recall 90%. Pada visualisasi diagram batang hasil klasifikasi menunjukkan 534 tweet bersentimen positif dan 273 bersentimen negatif dan wordcloud menunjukkan kata-kata yang dominan seperti IKN (88), Indonesia (53), Jokowi (48), Istana (17), dan Garuda (16). Secara keseluruhan, penelitian ini menunjukkan bahwa sentimen masyarakat terhadap Istana Garuda cenderung positif, serta membuktikan efektivitas algoritma Naïve Bayes dalam mengklasifikasikan sentimen di media sosial X. Temuan ini dapat menjadi masukan yang penting bagi pemerintah dalam memahami persepsi masyarakat terhadap pembangunan IKN dan merumuskan strategi komunikasi public yang tepat.
Implementasi Data Mining Untuk Klasifikasi Komentar Hate Speech Menggunakan Algoritma Support Vector Machine (SVM) Nesa, Fathul Hakim; Sucipto, Sucipto; Siregar, Alda Cendekia
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 3 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i3.8122

Abstract

Dalam era digital saat ini, media sosial telah menjadi sarana utama bagi individu untuk berkomunikasi,mengekspresikan pendapat, serta berbagi informasi secara cepat dan luas. Namun, kemudahan ini juga membawa tantangan serius, salah satunya adalah maraknya penyebaran ujaran kebencian (hate speech) yang dapat memicu konflik sosial, memengaruhi kesehatan mental, serta memperkuat diskriminasi terhadap kelompok tertentu. Penelitian ini bertujuan untuk mengimplementasikan teknik data mining guna mengklasifikasikan komentar yang mengandung hate speech dengan memanfaatkan algoritma Support Vector Machine (SVM). Metode yang digunakan meliputi beberapa tahapan, yaitu: perumusan masalah, pengumpulan dan pembersihan data, pembuatan model, evaluasi performa model, deployment, dan penarikan kesimpulan. Berdasarkan hasil pengujian, algoritma SVM mampu memberikan performa yang baik dengan nilai F1-score sebesar 89%, precision 89%, dan recall 89%. Aplikasi klasifikasi ini diharapkan dapat digunakan sebagai alat bantu dalam mengurangi penyebaran ujaran kebencian di platform media sosial dan turut menciptakan ekosistem digital yang lebih sehat, inklusif, dan positif bagi semua pengguna.
Pemberdayaan Pendidik Di Kalimantan Barat Dalam Menghadapi Kecerdasan Buatan di Era Disruptif Siregar, Alda Cendekia; Trisakti, Sonjoruri Budiani
Jurnal Medika: Medika Vol. 4 No. 3 (2025)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/2nsyyg84

Abstract

Perkembangan teknologi kecerdasan buatan (AI) telah membawa perubahan besar dalam dunia pendidikan, namun masih banyak pendidik di wilayah seperti Singkawang, Kalimantan Barat, yang belum siap menghadapi tantangan ini. Rendahnya literasi digital, minimnya pelatihan AI, serta keterbatasan infrastruktur menjadi hambatan utama dalam pemanfaatan AI oleh guru-guru setempat. Kegiatan pengabdian ini bertujuan untuk memberdayakan pendidik melalui pelatihan dan pendampingan penggunaan tools AI seperti ChatGPT dan Dreamina dalam kegiatan pembelajaran. Metode pelaksanaan mencakup observasi lapangan, workshop intensif, praktik langsung, serta evaluasi berbasis pretest dan posttest. Sebanyak 121 guru dari empat kabupaten mengikuti kegiatan ini, dengan hasil evaluasi menunjukkan peningkatan signifikan pemahaman peserta terhadap AI. Rata-rata skor posttest mencapai 88,71%, dengan mayoritas peserta menunjukkan pemahaman yang tepat terhadap konsep dan penerapan AI dalam pendidikan. Temuan ini menunjukkan bahwa pelatihan praktis dan pendampingan dapat secara efektif meningkatkan literasi AI guru, sekaligus menjembatani kesenjangan digital antara sekolah di perkotaan dan pedesaan. Hasil kegiatan ini menjadi dasar penting untuk pengembangan pelatihan lanjutan dan pembentukan komunitas guru AI di Kalimantan Barat guna menciptakan ekosistem pendidikan yang adaptif dan berkelanjutan.
Klasifikasi Penyakit Daun Tanaman Timun Berbasis Convolutional Neural Network (CNN) Yanto, Maryogi; Siregar, Alda Cendekia; Abdullah, Asrul
Computer Science and Information Technology Vol 6 No 2 (2025): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v6i2.9982

Abstract

Penyakit daun pada tanaman mentimun merupakan salah satu tantangan utama dalam meningkatkan hasil panen, terutama di Kalimantan Barat. Identifikasi penyakit secara manual seringkali tidak akurat dan memakan waktu. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis untuk penyakit daun mentimun berbasis Convolutional Neural Network (CNN) menggunakan arsitektur VGG-16. Dataset terdiri dari 2.000 citra daun mentimun yang dikategorikan ke dalam lima kelas: Bercak Daun Bakteri, Penyakit Bulai Berbulu, Daun Sehat, Penyakit Mosaik, dan Penyakit Bulai Tepung. Metode yang diterapkan meliputi praproses (pengubahan ukuran, augmentasi, normalisasi), pelatihan model, pengujian, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan skor F1. Model mencapai akurasi 88% pada data pelatihan, 84% pada data validasi, dan 81,50% pada data pengujian. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi berbasis web menggunakan Streamlit untuk memfasilitasi klasifikasi interaktif. Hasilnya menunjukkan bahwa Jaringan Saraf Konvolusional (CNN) efektif dalam mengklasifikasikan penyakit daun mentimun secara otomatis dan dapat diterapkan sebagai solusi teknologi di bidang pertanian.
Co-Authors Aris Wahyu Murdiyanto Asrul Abdullah azwar, agim aljanata Dian Hafidh Zulfikar Nasim, Muhammad Nesa, Fathul Hakim Octariadi, Barry Ceasar Poetro, Bagus Satrio Waluyo Rachmat Wahid Saleh Insani Ramdhania, Nur Annisa Sonjoruri Budiani Trisakti Sucipto Sucipto Sucipto Yanto, Maryogi