Garuda - Garba Rujukan Digital

Muhammad Hidayatul Arifin

State University of Medan

Author-ID : 11236519

Published : 2 Documents Claim Missing Document

Claim Missing Document

Articles

Penerapan Metaheuristik Genetic Algorithm pada Optimasi Hyperparameter Decision Tree untuk Klasifikasi Penyakit Jantung Muhammad Hidayatul Arifin; Salsa Nabila Harahap; Sirus Daniel H Nababan; Adidtya Perdana
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.199

Abstrak - Penyakit jantung merupakan salah satu penyebab kematian utama secara global, sehingga deteksi dini yang akurat menjadi krusial dalam upaya penyelamatan pasien. Algoritma Decision Tree sering digunakan sebagai alat bantu diagnosis karena kemampuannya menghasilkan aturan keputusan yang transparan. Namun, algoritma ini memiliki kelemahan mendasar berupa kecenderungan overfitting dan ketidakstabilan akurasi saat menangani data medis yang kompleks. Penelitian ini mengusulkan integrasi Genetic Algorithm (GA) sebagai metode metaheuristik untuk mengoptimalkan konfigurasi hyperparameter pada Decision Tree guna meningkatkan performa klasifikasi. Eksperimen dilakukan menggunakan dataset Heart Disease yang telah melalui tahap pra-pemrosesan ketat, termasuk eliminasi data duplikat dan transformasi fitur kategorikal. Proses optimasi dirancang dengan fungsi evaluasi khusus yang memprioritaskan sensitivitas (Recall) untuk meminimalisir risiko kesalahan deteksi pasien sakit (False Negative). Hasil pengujian menunjukkan bahwa model hasil optimasi GA berhasil meningkatkan Recall secara signifikan sebesar 12,12% (dari 75,76% menjadi 87,88%) dan Akurasi sebesar 4,92% dibandingkan model baseline. Selain itu, struktur model menjadi jauh lebih efisien dengan reduksi kedalaman pohon dari 10 tingkat menjadi 3 tingkat. Temuan ini membuktikan bahwa metode yang diusulkan mampu menghasilkan sistem diagnosis yang tidak hanya lebih akurat dan sensitif, tetapi juga lebih sederhana dan mudah diinterpretasikan oleh tenaga medis. Kata kunci : Decision Tree; Genetic Algorithm; Optimasi Hyperparameter; Prediksi Penyakit Jantung; Abstract - Heart disease is one of the leading causes of death globally, making accurate early detection crucial for patient survival. The Decision Tree algorithm is often used as a diagnostic tool due to its ability to generate transparent decision rules. However, this algorithm has fundamental weaknesses such as overfitting tendencies and accuracy instability when handling complex medical data. This study proposes the integration of Genetic Algorithm (GA) as a metaheuristic method to optimize hyperparameter configurations in Decision Trees to improve classification performance. Experiments were conducted using the Heart Disease dataset that had undergone rigorous pre-processing stages, including duplicate data elimination and categorical feature transformation. The optimization process was designed with a special evaluation function that prioritizes sensitivity (Recall) to minimize the risk of false patient detection (False Negative). The test results showed that the GA-optimized model significantly increased Recall by 12.12% (from 75.76% to 87.88%) and Accuracy by 4.92% compared to the baseline model. In addition, the model structure became significantly more efficient with a reduction in tree depth from 10 levels to 3 levels. These findings prove that the proposed method is capable of producing a diagnostic system that is not only more accurate and sensitive, but also simpler and easier to interpret by medical personnel. Keywords: Decision Tree; Genetic Algorithm; Hyperparameter Optimization; Heart Disease Prediction;

Sistem Pemeliharaan dan Penyiraman Tanaman Pot Berbasis IoT dan Machine Learning dengan Rekomendasi Perawatan Adaptif Muhammad Hidayatul Arifin; Dedy Kiswanto; Muhammad Raffi akbar Tanjung; Ririn Amelia Br Siregar
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.207

Abstrak - Metode irigasi konvensional sering kali kurang responsif terhadap dinamika cuaca mikro, yang berisiko mengganggu pertumbuhan tanaman. Penelitian ini merancang sistem irigasi otonom berbasis server (VPS) yang memadukan Internet of Things (IoT) dengan Hybrid Artificial Intelligence. Menggantikan mekanisme timer statis, sistem ini memanfaatkan algoritma Decision Tree untuk menghasilkan keputusan adaptif, yang dilatih menggunakan 3.000 data sintetis berbasis aturan pakar. Evaluasi ketat melalui 5-Fold Cross-Validation membuktikan stabilitas sistem yang tinggi, dengan rata-rata akurasi diagnosis mencapai 99,97% dan kesalahan prediksi volume air (Mean Absolute Error) hanya 1,02 ml. Validasi eksternal pada perangkat keras mengonfirmasi bahwa fitur cerdas, seperti penundaan penyiraman saat suhu ekstrem (Smart Delay) dan mode malam (Night Mode), berfungsi secara presisi di lingkungan nyata. Studi ini menyimpulkan bahwa integrasi AI terpusat efektif mewujudkan manajemen pertanian presisi yang handal dan adaptif. Kata kunci : Internet of Things, Machine Learning, Perawatan Tanaman, Smart Farming, Irigrasi Tanaman. Abstract - Conventional irrigation often fails to respond effectively to microclimatic changes, posing risks to plant health. This study designs an autonomous irrigation system hosted on a VPS, integrating IoT with Hybrid Artificial Intelligence. Replacing static timers, the system employs Decision Tree algorithms for adaptive decision-making, trained on 3,000 expert-rule-based synthetic data points. Rigorous evaluation using 5-Fold Cross-Validation demonstrated high stability, achieving an average diagnostic accuracy of 99.97% and a water volume prediction error (Mean Absolute Error) of just 1.02 ml. External validation on hardware confirmed that intelligent features, such as Smart Delay during extreme heat and Night Mode, function precisely in real-world environments. This study concludes that centralized AI integration effectively realizes reliable and adaptive precision agriculture management. Keywords: Internet of Things, Machine Learning, Plant Care, Smart Farming, Plant Irrigation.

Title

Found 2 Documents
Search

Abstract

Abstract

Title Search

Found 2 Documents Search

Abstract

Abstract

Title

Found 2 Documents
Search