Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : MIND (Multimedia Artificial Intelligent Networking Database) Journal

Influence of Data Scaling and Train/Test Split Ratios on LightGBM Efficacy for Obesity Rate Prediction FAHRUDIN, NUR FITRIANTI; PUTRA, KURNIA RAMADHAN; UMAROH, SOFIA; LAUTAN, GAMAS BLOORY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 2 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i2.220-234

Abstract

AbstrakNormalisasi adalah proses yang tidak dapat dilewatkan dalam data mining yang membantu menyesuaikan nilai atribut data ke skala yang sama. Dalam konteks data mining, perbedaan skala antar atribut dapat menyebabkan kesalahan dalam pemodelan atau interpretasi hasil. Penggunaan normalisasi dalam pra-pemrosesan masih diperdebatkan, terutama ketika menggunakan algoritma dari kelompok pohon keputusan.  Penelitian ini membandingkan model dengan data yang dinormalisasi dan tidak dinormalisasi dengan menggunakan metode normalisasi, MinMaxScaler, MaxAbsScaler, dan RobustScaler. Hasil penelitian menunjukkan bahwa model LightGBM tanpa normalisasi memiliki tingkat akurasi sebesar 96,6 dalam mengklasifikasikan tingkat obesitas pada data saat ini. Tidak hanya normalisasi yang mempengaruhi hasil klasifikasi, tetapi juga jumlah rasio antara data pelatihan dan pengujian. Penelitian menunjukkan bahwa semakin besar persentase data yang digunakan untuk pelatihan, semakin tinggi tingkat akurasinya. Pada dataset obesitas, rasio 80:20 memiliki akurasi hingga 97%.Kata kunci: Decision Tree, LightGBM, Obesitas, Data Mining, KlasifikasiAbstractNormalization is an essential process in data mining that helps adjust the values of data attributes to the same scale. In data mining, differences in attribute scales can lead to errors in modeling or interpreting results. Normalization in preprocessing is still debated, particularly when using algorithms from the decision tree family. This study compares models with normalized and non-normalized data using normalization methods such as MinMaxScaler, MaxAbsScaler, and RobustScaler. The results show that the LightGBM model without normalization achieved an accuracy rate of 96.6% in classifying obesity levels in the current dataset. Not only does normalization affect classification results, but the ratio between training and testing data also plays a role. The study indicates that the larger the percentage of data used for training, the higher the accuracy rate. In the obesity dataset, an 80:20 ratio resulted in an accuracy rate of up to 97%.Keywords: Decision Tree, LightGBM, Obesity, Data Mining, Classification
Mengukur Kesuksesan Sistem Informasi Satuan Kredit Kemahasiswaan (SIMSKK) menggunakan Model DeLone McLean UMAROH, SOFIA; UTAMI, SABRINA AZIZA; HERNAWAN, HASNAURA ATHAVANIA; ADINDA, NAJWA; ANGELICA, EVLYN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.206-220

Abstract

AbstrakSistem Informasi Satuan Kredit Kemahasiswaan (SIMSKK) yang digunakan untuk mengelola aktivitas non-akademik mahasiswa dan mendukung capaian pembelajaran. Penelitian ini bertujuan mengukur kesuksesan implementasi SIMSKK menggunakan Model DeLone dan McLean (2003) yang mencakup kualitas sistem, kualitas informasi, kualitas layanan, kepuasan pengguna, dan manfaat bersih. Data diperoleh melalui kuesioner online kepada 97 mahasiswa aktif (ditentukan dengan rumus Slovin) dan dianalisis dengan SEM-PLS. Hasil menunjukkan bahwa kualitas informasi berpengaruh signifikan terhadap kepuasan pengguna (t = 7,691; p < 0,001) dan kepuasan pengguna signifikan terhadap manfaat bersih (t = 26,528; p < 0,001). Sebaliknya, kualitas sistem dan layanan tidak berpengaruh signifikan. Penelitian ini menegaskan pentingnya peningkatan kualitas informasi dan layanan agar SIMSKK memberi manfaat optimal bagi mahasiswa.Kata kunci: Model Delone dan McLean, sistem informasi kredit kemahasiswaan, SEM-PLS, kepuasaan pengguna, manfaat bersih AbstractThe use of the Student Credit Information System (SIMSKK) to manage students’ non-academic activities and support learning outcomes. This study aims to measure the success of SIMSKK implementation using the DeLone and McLean Information System Success Model (2003), which includes system quality, information quality, service quality, user satisfaction, and net benefits. Data were collected through an online questionnaire distributed to 97 active students (determined using Slovin’s formula) and analyzed with SEM-PLS. Results show that information quality significantly affects user satisfaction (t = 7.691; p < 0.001), and user satisfaction significantly impacts net benefits (t = 26.528; p < 0.001). Conversely, system quality and service quality have no significant effect. The study highlights the importance of enhancing information quality and service to maximize SIMSKK benefits.Keywords: DeLone and McLean Model, Student Credit Information System, SEM-PLS,  statisfaction, net benefits
Renovator: Resilience System in Microservices Architecture Using Fault Tolerance Factor PUTRA, KURNIA RAMADHAN; UMAROH, SOFIA; FAHRUDIN, NUR FITRIANTI; PANDJI, PRAMBUDHI WIBOWO
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.235-249

Abstract

ABSTRAKArsitektur microservices menghadapi tantangan dalam menjaga ketahanan layanan akibat cascading failure, ketergantungan antarlayanan yang dinamis, serta keterbatasan mekanisme fault tolerance berbasis ambang statis. Pendekatan seperti circuit breaker dan bulkhead hanya memberi perlindungan terbatas ketika beban dan latensi berubah cepat. Untuk menjawab gap tersebut, penelitian ini memperkenalkan Renovator, kerangka kerja ketahanan yang memperluas circuit breaker melalui pemantauan adaptif dan pemulihan otomatis. Evaluasi pada simulasi Sistem Presensi dengan empat skenario yaitu cascading failure, latency spike, normal load, dan single-service failure menunjukkan peningkatan signifikan dibandingkan baseline: ketersediaan naik (86,31% menjadi 93,95%), MTTR berkurang 49–67%, tingkat kesalahan turun 55–63%, serta latensi membaik 20–27% tanpa memengaruhi throughput. Kontribusi utama penelitian ini adalah pengembangan Renovator sebagai mekanisme circuit breaker yang lebih adaptif dan otomatis untuk meningkatkan ketahanan microservices.Kata kunci: microservices, fault tolerance, circuit breaker, MSA resilienceABSTRACTMicroservices architectures face resilience challenges due to cascading failures, dynamic dependencies, and the limitations of fault tolerance mechanisms that rely on static thresholds. Techniques such as Circuit Breaker and Bulkhead provide only partial protection under rapidly changing workloads. To address this gap, this study introduces Renovator, a resilience framework that enhances circuit breaker functionality through adaptive monitoring and automated recovery. Evaluated on a simulated Attendance System under four scenarios—cascading failure, latency spike, normal load, and single-service failure, Renovator shows notable improvements over the baseline: availability increases (from 86.31% to 93.95%), MTTR decreases by 49–67%, error rates drop 55–63%, and latency improves 20–27% with no throughput degradation. The main contribution is an adaptive and automated circuit-breaker–based framework to strengthen microservices resilience.Keywords: microservices, fault tolerance, circuit breaker, MSA resilience