Article Per Year (5 Year)
p-Index From 2020 - 2025
1.891
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika UNIKA Santo Thomas Jurnal Cendikia JURNAL ILMIAH GLOBAL EDUCATION JURNAL PENDIDIKAN INDONESIA: Teori, Penelitian, dan Inovasi Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Jurnal Penelitian Ilmu Pendidikan Indonesia TeknoKreatif: Jurnal Pengabdian kepada Masyarakat Suhuf: International Journal of Islamic Studies Journal Educational Research and Development
Febrianto, Andre
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Teknik Informatika UNIKA Santo Thomas

 1 
Evaluasi Logistic Regression dan Neural Network pada Klasifikasi Gagal Jantung Berbasis Threshold Anggraini, Leslie; Akram Abdillah, Attar; Kartadilaga, Muhammad Qaessar; Verdiana, Miranti; Nugroho, Eko; Afriansyah, Aidil; Febrianto, Andre; Bagaskara, Radhinka
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

Kardiovaskular adalah sistem jantung dan pembuluh darah dalam tubuh manusia yang bertanggung jawab atas sirkulasi darah dalam jantung, pembuluh darah, dan darah sendiri. Gangguan pada fungsi sistem ini dapat menyebabkan penyakit kardiovaskular, seperti gagal jantung, yang menjadi salah satu penyebab utama kematian di seluruh dunia. Kematian yang disebabkan oleh gagal jantung mempengaruhi 1.5 juta pasien di seluruh dunia. Dikarenakan oleh data statistik tersebut, maka ada kebutuhan untuk dapat memprediksi dampak gagal jantung untuk membantu tingkat kelangsungan hidup pasien. Sebagai bentuk kontribusi terhadap kebutuhan tersebut, penelitian ini akan menganalisis sebuah dataset pelayanan kesehatan, yaitu dataset rekam gagal jantung dari UCI. Dataset tersebut akan digunakan untuk mengklasifikasi dan memprediksi peluang kematian dari pasien gagal jantung. Kami akan membandingkan antara dua metode klasifikasi dari machine learning, yaitu Logistic Regression (LR), dan deep learning, yaitu Shallow Neural Network (SNN). Mutual Information (MI) dipilih sebagai metode pemilihan fitur. Hasil menunjukkan bahwa SNN menghasilkan akurasi lebih tinggi dengan skor 0.75, dibandingkan LR dengan akurasi sebesar 0.63.
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

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

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
Co-Authors Abdullah Idi Afriansyah, Aidil Ahmad Zainuri Akram Abdillah, Attar Ali, Marwan Andika Setiawan, Andika Anggraini, Leslie Aprilianda, Mohamad Meazza Asri Karolina Bagaskara, Radhinka Ba’its, Alfian Kafilah Chan, Rahul Drantantiyas, Nike Dwi Grevika Eko Nugroho Ermis Suryana Faisal, Amir Fitrawan, Mhd. Kadar Franita, Raras Harmiansyah, Harmiansyah Heriansyah Ismail Sukardi, Ismail Karoma, Karoma Kartadilaga, Muhammad Qaessar Kasinyo Harto Listiani, Amalia Muhajirin, Muhajirin Muhammad Fauzi Mukmin Mukmin Munir Munir, Munir Muthmainna, Aqila Oskar, Ruani Putra, Fahmi Mandala Sirozi, Muhammad Swadexi Istiqphara, Swadexi Untoro, Meida Cahyo Verdiana, Miranti Yulita, Winda