Garuda - Garba Rujukan Digital

MODEL POHON KEPUTUSAN UNTUK KLASIFIKASI PERSETUJUAN KREDIT MENGGUNAKAN ALGORITMA C4.5 Ivandari, Ivandari
JURNAL LITBANG KOTA PEKALONGAN Vol 9 (2015)
Publisher : BAPPEDA Kota Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (602.771 KB)

KREDIT MERUPAKAN SALAH SATU AKTIVITAS EKONOMI YANG BANYAK DILAKUKAN. DENGAN MELAKUKAN PEMBELIAN SECARA KREDIT MASYARAKAT SETIDAKNYA DAPAT TERBANTU DALAM MEMBELI BARANG DENGAN HARGA YANG KURANG TERJANGKAU JIKA DILAKUKAN DENGAN CARA PEMBAYARAN KONTAN. PERSETUJUAN KREDIT MERUPAKAN SALAH SATU HAL YANG PENTING DAN DAPAT MEMPENGARUHI PERKEMBANGAN BANK DAN PIHAK PEMBERI PINJAMAN. TEKNOLOGI KOMPUTER DAPAT MEMBANTU DALAM PELAKSANAAN KLASIFIKASI PERSETUJUAN KREDIT. SALAH SATU MODEL KLASIFIKASI TERBAIK YANG BANYAK DILAKUKAN DAN TERBUKTI BAIK ADALAH C4.5. HASIL DARI ALGORITMA C4.5 MERUPAKAN SEBUAH MODEL POHON KEPUTUSAN YANG DAPAT DENGAN MUDAH DIPAHAMI DENGAN BAHASA ALAMI MANUSIA. DALAM PENELITIAN INI AKAN DIBUAT SEBUAH MODEL POHON KEPUTUSAN DENGAN MENGGUNAKAN ALGORITMA C4.5 UNTUK KLASIFIKASI PERSETUJUAN KREDIT.

Algoritma K-NN untuk klasifikasi dataset Covid-19 survillance Ivandari, Ivandari; Al Karomi, M. Adib
IC Tech: Majalah Ilmiah Vol 16 No 1 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 1 April 2021
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v16i1.137

Covid-19 merupakan jenis virus mutasi baru yang banyak ditemukan dan diteliti di seluruh dunia. Untuk sementara belum ditemukan obat yang efektif untuk mengobati atau mencegah penyakit tersebut. Salah satu cara yang dilakukan berbagai pemerintahan di dunia adalah membatasi kontak fisik dengan penderita covid-19. Data mining adalah salah satu ilmu computer untuk mempelajari data dan menlakukan ekstraksi untuk mendapatkan sebuah pengetahuan baru. Salah satu teknik dalam data mining adalah klasifikasi. K-NN adalah salah satu algoritma klasifikasi terbaik. Penelitian ini melakukan klasifikasi dataset Covid-19 survillance menggunakan algoritma K-NN. Dataset Covid-19 survillance didapatkan dari portal data public yaitu uci machine learning repository. Hasil klasifikasi dengan menggunakan aplikasi bantu rapid miner menghasilkan tingkat akurasi dari K-NN adalah 55%. Tingkat akurasi 55% tergolong dalam tingkat akurasi yang rendah. Rendahnya tingkat akurasi ini dapat disebabkan oleh sedikitnya atribut yang digunakan dalam klasifikasi K-NN, serta adanya dominasi dari salah satu varian dalam atribut label.

Classification of Type 2 Diabetes using Decission Tree Algorithm Ivandari, Ivandari; Maulana, Much. Rifqi; Al Karomi, M Adib
JAICT Vol. 8 No. 2 (2023)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v8i2.4835

Diabetes is a disease that causes many deaths. According to data from WHO, in 2019 there were 2 million deaths due to diabetes. The recording of the patient's condition has been carried out for medical purposes. The large number of records that are only used as stored data will only later become digital waste. Data mining offers a classification process to process data into new knowledge. The recognition of new patterns from existing data results from algorithmic calculation processes as well as statistics. This study uses the type 2 diabetes dataset from the uci repository which was released in 2020. Previous research was conducted using the KNN algorithm with an accuracy rate of 92.5%. For numerical datasets, the decision tree algorithm is proven to be superior and can represent it in a language that is easy for humans to understand. One of the best and widely used classification algorithms for high-dimensional datasets is the decision tree. The results showed that the accuracy of the decision tree algorithm for type 2 diabetes data classification was 95.96%. Another output of this study is a decision tree from the early stage diabetes risk prediction dataset.

Improving the Accuracy of the C45 Classification Algorithm Using Information Gain Ratio Feature Selection for Classification of Type 2 Diabetes Mellitus Disease Ivandari, Ivandari; Maulana, Much. Rifqi; Kurniawan, Ichwan; Al Karomi, M Adib
JAICT Vol. 9 No. 2 (2024)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v9i2.5845

Abstract”” Diabetes is a disease that can cause death. Diabetes can cause heart failure, chronic kidney disease, glaucoma that attacks the eyes and several other diseases. WHO data states that there were more than 2 million deaths due to diabetes in 2019. Data from the International Diabetes Federation shows that around 537 adults are recorded as living with diabetes. This condition must be treated immediately, considering that diabetes is one of the most deadly non-communicable diseases in the world. Patient registration is mostly done in hospitals. A lot of data will only become digital waste if it does not have more benefits. In 2020 Diabetes and Hospital in Sylhet donated patient data for further research. This data contains 520 patient records with 17 attributes that have been validated by specialist doctors. Early stage diabetes risk prediction data is released by the uci repository as public data and can be used for research testing. Research using this dataset has been widely carried out with the previous best accuracy level of 95.96%. In previous studies, all attributes were used in the classification process. The number of irrelevant attributes can affect the performance of the classification algorithm. This study uses the information gain ratio for feature selection of the early stage diabetes risk prediction dataset. The C45 algorithm is used for classification, evaluation using confusion matrix and validation using 10 folds cross validation. The results of this study improve the performance of C45 so that it obtains an accuracy level of 96.15%. This study also produces a decision tree for diabetes..

Optimasi Parameter K pada Algoritma KNN untuk Deteksi Penyakit Kanker Payudara Binabar, Sattriedi Wahyu; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 13 No 1 (2018): IC Tech: Majalah Ilmiah Volume XIII No. 1 April 2018
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v13i1.2

Kanker merupakan salah satu penyakit yang banyak menyebabkan kematian di seluruh dunia. Dari data International Agency for Research of Cancer (IARC) pada tahun 2012 tercatat lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan keseluruhan kasus yang tercatat pada tahun tersebut mencapai 14.067.894 jiwa. Dalam 5 tahun terakhir penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Selama ini pencatatan perihal pasien penyakit kanker sudah banyak dilakukan. Pencatatan tersebut nantinya dapat digunakan untuk menganalisa serta mendeteksi pasien lain yang memiliki ciri yang sama. Data mining merupakan ilmu yang menggunakan data lampau untuk menghasilkan informasi dan pengetahuan baru. Salah satu fungsi utama data mining adalah klasifikasi. Beberapa teknik klasifikasi digunakan untuk menghasilkan sebuah model atau tingkat akurasi. Salah satu algoritma klasifikasi terbaik adalah KNN. Dari hasil penelitian menunjukkan bahwa KNN dengan nilai k 13 memiliki tingkat akurasi terbaik yaitu 97,28% dengan nilai error sebesar 1,5% dan nilai mikro sebesar 97,28%.

Sistem Pendukung Keputusan Persetujuan Kredit dengan Pemanfaatan Information Gain untuk Pembobotan Atribut Klasifikasi K-Nearest Neighbour Ivandari, Ivandari; Chasanah, Tria Titiani; Al Karomi, M. Adib
IC Tech: Majalah Ilmiah Vol 12 No 2 (2017): IC Tech: Majalah Ilmiah Volume XII No. 2 Oktober 2017
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v12i2.5

Kredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Dari peningkatan tersebut maka Sistem Pendukung Keputusan yang dibuat hanya menggunakan atribut yang terpilih untuk meningkatkan akurasi. SPK yang tercipta dapat memberikan rekomendasi kepada manajemen berdasarkan perhitungan dan kedekatan data testing dengan keseluruhan data training yang telah ada sebelumnya.

KOMPARASI ALGORITMA DATA MINING UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA Kurniawan, M. Faizal; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 12 No 1 (2017): IC Tech: Majalah Ilmiah Volume XII No. 1 April 2017
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v12i1.12

Kanker merupakan salah satu penyakit mematikan. Pada tahun 2012 International Agency for Research of Cancer (IARC) mencatat kasus penyakit kanker sebanyak 14.067.894 jiwa dan lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan dalam 5 tahun terakhir tercatat penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Pencatatan terhadap penyakit kanker banyak dilakukan guna mengantisipasi dan menganalisa pasien sejak dini agar dapat dilakukan pencegahan. Salah satu yang dilakukan adalah dengan menggunakan teknik klasifikasi data mining. Dengan melakukan klasifikasi data mining data lampau yang sebelumnya telah dikumpulkan dapat dijadikan sebuah pengetahuan baru. Beberapa teknik klasifikasi data mining terbukti baik dan menghasilkan akurasi yang tinggi. Dalam penelitian ini akan dilakukan komparasi algoritma K-Nearest Neighbour, Naive Bayes dan Decission Tree C4.5 untuk klasifikasi penyakit kanker payudara. Penelitian ini membuktikan bahwa dari ketiga model algoritma tersebut Naive Bayes memiliki tingkat akurasi terbaik yaitu 95,85%. Sedangkan algoritma KNN memperoleh tingkat akurasi sebesar 94,70% dan Decission Tree C4.5 memperoleh tingkat akurasi sebesar 94,70%..

SISTEM PENDUKUNG KEPUTUSAN DETEKSI PENYAKIT KANKER PAYUDARA MENGGUNAKAN ALGORITMA NAIVE BAYES Ivandari, Ivandari; Rahmawatie, Erni
IC Tech: Majalah Ilmiah Vol 13 No 2 (2018): IC Tech: Majalah Ilmiah Volume XIII No. 2 Oktober 2018
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v13i2.32

Kanker merupakan salah satu penyakit penyebab kematian terbesar di dunia. Data International Agency for Research of Cancer (IARC) menyebutkan pada tahun 2012 ada lebih dari 8,2 juta jiwa meninggal dunia akibat kanker. Dari data tersebut diketahui bahwa kanker payudara merupakan jenis kanker terbanyak yang diderita yaitu sebesar 19,2% dari keseluruhan kasus penyakit kanker. Banyaknya data serta catatan terkait kasus pasien kanker dapat berguna apabila dari data tersebut dapat diambil suatu informasi atau pengetahuan baru. Data mining merupakan bidang ilmu yang mengolah data lampau untuk dapat dijadikan sebuah informasi dan pengetahuan baru. Dari penelitian komparasi algoritma data mining untuk deteksi penyakit kanker payudara pada 2017 naive bayes merupakan algoritma terbaik. Naive bayes terbukti memiliki tingkat akurasi yang lebih tinggi dibandingkan algoritma lain. Dalam penelitian ini dibuat sebuah sistem pendukung keputusan untuk deteksi penyakit kanker payudara. Sistem yang tercipta menggunakan aplikasi excell ini dapat menjadi salah satu rekomendasi. Metode yang digunakan untuk perhitungan adalah probabilitas naive bayes.

Analisa Pemanfaatan Media Sosial sebagai Media Promosi menggunakan EPIC Model Amalia, Nurul; Ismanto, Bambang; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 14 No 1 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 1 April 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i1.53

Perkembangan teknologi mempengaruhi pola pikir seseorang dalam berbisnis salah satunya yaitu dalam promosi. Menurut hasil survei APJII, pengguna internet di Indonesia pada awal 2019 mencapai 171 juta jiwa. Sementara jumlah pengguna media sosial aktif sekitar 150 juta di awal 2019 menurut riset Digital Around The World 2019. Banyaknya pengguna media sosial memberikan kesempatan pada pengusaha untuk berlomba lomba melakukan promosi seluas luasnya tanpa adanya batasan waktu dan tempat serta informasi tersampaikan secara cepat. Promosi yang dilakukan melalui media sosial mempunyai peluang produk dapat dikenal yang memungkinkan terjadinya pembelian. Maka pengusaha harus dapat mengembangkan strategi pemasaran pada media promosi maupun memilih media yang efektif agar iklan yang dilakukan tepat sasaran dan membuatÂ konsumen tertarik untuk menggunakan atau membeli produk tersebut. Pada penelitian ini telah dilakukan pengukuran efektivitas penggunaan media sosial whatsapp, instagram dan facebook sebagai media promosi dengan metode EPIC Model. Hasilnya menyatakan bahwa instagram memperoleh nilai EPIC rate sebesar 3.53, artinya bahwa instagram efektif digunakan sebagai media promosi, sedangkan whatsapp dan instagram memiliki nilai EPIC rate sebesar 2.72 dan 3.10, artinya bahwa instagram cukup efektif digunakan sebagai media promosi.

MODEL PREDIKSI PENYAKIT DIABETES MENGGUNAKAN BAYESIAN CLASSIFICATION DAN INFORMATION GAIN UNTUK SELEKSI FITUR DAN ADAPTIVE BOOSTING UNTUK PEMBOBOTAN DATA Bakti, Ilham Susilo; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 14 No 1 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 1 April 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i1.54

Diabetes merupakan salah satu penyakit berbahaya, penyakit yang dapat merusak organ tubuh dan memerlukan biaya yang mahal untuk mengobatinya. Mendiagnosis diabetes pada tahap awal sangat penting untuk membantu mencegah resiko diabetes yang lebih parah. Penelitian ini merupakan upaya untuk membantu meningkatkan akurasi dalam memprediksi dan mendiagnosis diabetes dengan menggunakan dataset Pima Indian Diabetes (PID). Hal ini juga merupakan upaya untuk membantu jutaan orang penderita diabetes agar dapat melakukan pencegahan dini. Naive Bayes adalah tekhnik machine learning yang dikenal untuk mengklasifikasi, karena sangat sederhana, efisien dan memiliki performa yang baik. Namun, Naive Bayes memiliki kekurangan ketika digunakan pada data yang memiliki fitur terlalu banyak, menyebabkan akurasi menjadi rendah. Oleh karena itu, dalam penelitian ini menggunakan Information Gain sebagai teknik seleksi fitur dan metode boosting untuk memberikan pembobotan data agar dapat meningkatkan akurasi pengklasifikasi Naive Bayes. Penelitian ini menghasilkan akurasi yang meningkat dalam mendiagnosis penyakit diabetes dibandingkan dengan penelitian sebelumnya. Pengukuran ini juga membandingkan akurasi Naive Bayes sebelum dan sesudah penambahan metode pemilihan fitur dan Adaboost. Validasi dilakukan dengan menggunakan 10 fold cross validation. Sedangkan pengukuran akurasi diukur dengan confusion matrix dan kurva ROC. Hasil penelitian menunjukkan peningkatan akurasi Naive Bayes dari 74.01% menjadi 79.10% dan nilai AUC 0.8722. Peningkatan akurasi dari penelitian sebelumnya yaitu dengan metode Fuzzy Decision Tree dari 75,8% dan pada penelitian ini menjadi 79,10%. Sehingga dapat disimpulkan bahwa integrasi metode Information Gain dan AdaBoost pada Pima Indian Diabetes ini mampu meningkatkan akurasi algoritma Naive Bayes.

Title

Found 24 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 24 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 24 Documents
Search