Article Per Year (5 Year)
p-Index From 2021 - 2026
1.235
P-Index
This Author published in this journals
All Journal Journal of Applied Information, Communication and Technology (JAICT) Jurnal Litbang Kota Pekalongan IC Tech: Majalah Ilmiah Surya Informatika IC Tech: Majalah Ilmiah
Ivandari, Ivandari
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Public Health Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Analisa Kepentingan atribut data pada Klasifikasi Heregistrasi Mahasiswa STMIK Widya Pratama Aribowo, Dadang; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 14 No 2 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 2 Oktober 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i2.56

Abstract

Mahasiswa merupakan aset  yang paling berharga dalam sebuah perguruan tinggi swasta (PTS). Karena  sebagian  besar  pendapatan  serta  biaya  operasional  PTS  didapatkan  dari  mahasiswa. Banyaknya mahasiswa yang melakukan heregistrasi jelas akan menjadi angin segar bagi lembaga. Dalam  5  tahun  terakhir  tercatat  sekitar  20%  calon  mahasiswa  STMIK  Widya  Pratama  tidak melakukan heregistrasi. Data terakhir pada 31 Agustus 2018 tercatat ada 32,7% pendaftar belum melakukan  heregistrasi.  Penurunan  jumlah  mahasiswa  dapat  mempengaruhi  stabilitas  keuangan lembaga  utamanya  sekolah  tinggi  swasta.  Analisa  terhadap  algoritma  terbaik  untuk  klasifikasi heregistrasi mahasiswa pernah dilakukan dan membuktikan bahwa decision tree C45 merupakan algoritma  dengan  tingkat  akurasi  terbaik.  Pengetahuan  dini  terhadap  calon  mahasiswa  yang mungkin  tidak  akan  melakukan  heregistrasi  dapat  menjadi  acuan  lembaga  untuk  melakukan tindakan guna mempertahankan mahasiswa. Pencatatan data mahasiswa yang tersusun rapi dapat digunakan  pihak  manajemen  untuk  melakukan  analisa  terhadap  karakteristik  serta  penyebab mahasiswa tidak melakukan heregistrasi.  Penelitian ini akan melakukan analisa terhadap semua data  dan  atribut  data  yang  ada.  Metode  yang  digunakan  dalam  pembobotan  adalah  information gain  yang  telah  terbukti  dapat  mengatasi  dataset  dengan  jenis  atribut  yang  banyak. Hasil dari penelitian ini menyimpulkan bahwa atribut pekerjaan orang tua merupakan atribut dengan tingkat kepentingan tertinggi. Sedangkan atribut status sipil merupakan atribut dengan tingkat kepentingan paling rendah.
Optimasi Algoritma Naïve Bayes dengan Information Gain Ratio untuk Menangani Dataset Berdimensi Tinggi Al karomi, M. Adib; Ivandari, Ivandari
IC Tech: Majalah Ilmiah Vol 14 No 2 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 2 Oktober 2019
Publisher : P3M Institut Widya Pratama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47775/ictech.v14i2.61

Abstract

Perkembangan ilmu komputer sekarang memungkinkan adanya pencatatan semua proses bisnis di segala bidang  dengan  media  penyimpanan  yang  besar.  Data  di  bidang  atronomi,  kesehatan,  ekonomi, pemerintahan  dan  sebagainya  banyak  tercatat  dan  semakin  banyak  dari  tahun  ke  tahun.  Data  mining merupakan  ilmu  yang  dapat  mengolah  data  menjadi  sebuah  representasi  pengetahuan  dengan menggunakan beberapa metode atau algoritma matematis. Salah satu fungsi utama data mining adalah klasifikasi.  Dalam  proses  klasifikasi  semua  data  lama  digunakan  sebagai  data  pembelajaran  untuk menyimpulkan data baru yang belum sepenuhnya diketahui. Data yang sebelumnya tidak memiliki makna dapat menjadi sebuah pengetahuan baru dengan menggunakan klasifikasi data mining. Banyak algoritma yang  dapat  digunakan  dalam  proses  klasifikasi.  Salah  satu  algoritma  yang  terbukti  baik  untuk  proses klasifikasi data berdimensi tinggi adalah naïve bayes. Dalam data berdimensi tinggi banyaknya atribut data dapat mempengaruhi hasil klasifikasi. Banyaknya atribut data yang relevan dapat meningkatkan performa algoritma.  Sedangkan  banyaknya  atribut  data  yang  tidak  relevan  dapat  menurunkan  tingkat  akurasi sebuah algoritma. Dari hasil penelitian ini diketahui bahwa seleksi fitur information gain dapat meningkatkan performa klasifikasi naive bayes.
KOMPARASI ALGORITMA UNTUK KLASIFIKASI DATASET COVID-19 SURVILLANCE Ivandari, Ivandari; Al Karomi, M. Adib
IC Tech: Majalah Ilmiah Vol 16 No 2 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 2 Oktober 2021
Publisher : P3M Institut Widya Pratama

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

Abstract

Pandemi covid-19 yang terjadi di dunia saat ini merupakan yang terbesar selama lebih dari satu decade. Banyaknya penderita, kurangnya kesadaran masyarakat, serta adanya mutasi baru dari virus merupakan beberapa faktor pendukung kenaikan kasus covid-19. Di semua bidang dilakukan penelitian guna menurunkan tingkat keparahan penyakit, menghentikan penyebaran, serta mengobati pasien terdampak virus. Di bidang data mining banyak dilakukan penelitian dengan menggunakan dataset yang ada untuk memperoleh pengetahuan baru. Pengetahuan inilah yang nantinya dapat digunakan sebagai dasar untuk menentukan kebijakan institusi, perusahaan bahkan untuk pemerintahan. Dalam penelitian ini membandingkan algoritma KNN, Neural Network, Bayes, serta Decission Tree untuk klasifikasi dataset Covid-19 survillance. Dataset yang digunakan adalah data dari Kementrian Kesehatan Republik Indonesia. Data ini diambil dari portal penyedia data ternama yaitu uci repository. Dari hasil perhitungan membuktikan bahwa algoritma decision tree merupakan model terbaik untuk klasifikasi dataset Covid-19 survillance. Akan tetapi tingkat akurasi yang diperoleh decision tree dalam klasifikasi ini hanyalah 65% yang masih tergolong dalam tingkatan yang belum memuaskan. Kata Kunci : covid-19 survillance, akurasi, decision tree
Pengembangan Aplikasi Web Augmented Reality Sebagai Registrasi Kehadiran Kurniawan, Ichwan; Maulana, Much. Rifqi; Rusli, Christian Yulianto; Ivandari, Ivandari
Jurnal Surya Informatika Vol. 14 No. 1 (2024): Surya Informatika, Vol 14. No. 1, Mei 2024
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v14i1.1805

Abstract

Salah satu metode registrasi kehadiran dapat menggunakan sistem registrasi tanda di atas kertas, namun hal ini tidak efektif dalam registrasi kehadiran karena orang dapat mengubah dan mengubah data dengan mudah. Penggunaan browser AR berbasis penanda gambar dimungkinkan dapat digunakan sebagai metode otentikasi pengguna, dengan penanda sistem AR akan menidentifikasi pengguna. Kemudian dengan menggunakan penanda sebagai input sensor, meminimalkan penggunaan perangkat sensor secara langsung dan pengguna telah terlepas dari perangkat sensor tesebut. tujuan dari penelitian ini diharapkan dengan adanya penggunaan teknologi augmented reality dapat mencatat kehadiran secara ­real time tanpa harus berinteraksi langsung dengan perangkat sensor. Evaluasi dari penelitian ini, akan mengukur kinerja peralatan pemproses pada saat aplikasi dijalankan. pengukuran pada tiga kondisi, pada saat kondisi marker terdeteksi sama dengan 1 detik, 2 detik dan 3 detik. Setiap kondisi tersebut akan diuji berulang sebanyak 5 kali pengujian. kecenderungan kinerja dari processor bekerja pada rentang perform 86% sampai dengan 100%, prosentase rata-rata terendah terjadi pada pengujian A yaitu dengan rata-rata perform 86,0%. Sedangkan prosentase rata-rata tertingga pada pengujian F yaitu dengan rata-rata perform 99,0%. Rata-rata perform processor kesulurhan adalah 93,5%, untuk mengoptimalkan kinerja dari aplikasi disarankan untuk meningkatkan spesifikasi perangkat pemproses, semakin besar spesifikasi perangkat pemrposes yang digunakan semakin bagus pula kinerja dari aplikasi web augmented reality yang dijalankan.
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

Abstract

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

Abstract

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

Abstract

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

Abstract

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

Abstract

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 membuat  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

Abstract

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.
Co-Authors Al Karomi, M Adib Al Karomi, M. Adib Aribowo, Dadang Bakti, Ilham Susilo Chasanah, Tria Titiani Chatarina Umbul Wahyuni Erni Rahmawatie, Erni Faizal Kurniawan Maulana, Much. Rifqi Nurul Amalia Raden Mohamad Herdian Bhakti Rusli, Christian Yulianto Sattriedi Wahyu Binabar