Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Applied Information, Communication and Technology (JAICT) IC Tech: Majalah Ilmiah IC Tech: Majalah Ilmiah
Al Karomi, M Adib
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
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

Abstract

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

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..
Aplikasi Pendukung Keputusan Persetujuan Kredit berbasis WEB dengan Pemanfaatan Algoritma Data Mining Al Karomi, M Adib; Rusli, Christian Yulianto
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.v13i1.21

Abstract

Dalam kehidupan modern saat ini banyak masyarakat menginginkan kepemilikan atas suatu barang dengan jasa pinjaman dana atau lebih dikenal dengan istilah kredit. Kondisi seperti ini memungkinkan berkembangnya perusahaan jasa keuangan dengan berbagai macam penawaran pembiayaan untuk barang impian dari nasabah. Sayangnya dari hasil penelitian sebelumnya banyak nasabah tergolong dalam klasifikasi kredit macet. Hal ini membuat berbagai perusahaan jasa keuangan berpikir keras untuk mengurangi kerugian atas banyaknya kredit macet. Salah satu penanggulangan awal yang dapat dilakukan adalah dengan melakukan klasifikasi calon nasabah menggunakan sebuah perhitungan algoritmik dengan perbandingan nasabah yang pernah tercatat sebelumnya. Beberapa  model klasifikasi banyak digunakan. Salah satu yang terbaik adalah menggunakan metode naive bayes. Metode ini memungkinkan perhitungan probabilitas dari setiap atribut yang adaelitian ini menciptakan sebuah aplikasi pendukung keputusan persetujuan kredit dengan menggunakan algoritma naive bayes. Hsistem dapat menjadi pendukuputusan atas persetujuan pemberian kredit terhadap nasabah. Sistem ini tidak mengikat hasil akhir klasifikasi untuk pembiayaan nasabah karena keputusan akhir adalah hak dari manajerial perusahaan penyedia pembiayaan.
Fuzzifikasi Data untuk Normalisasi Atribut dalam Perhitungan Algoritma K-Nearest Neighbour Al Karomi, M Adib
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.v13i2.41

Abstract

K-Nearest Neighbour Merupakan algoritma yang sering digunakan dalam proses klasifikasi. Dalam proses perhitungannya algoritma ini menggunakan pendekatan similarity antar record atribut. Fungsi ini terbukti baik digunakan dan dapat menghasilkan klasifikasi yang cukup akurat. Kelemahan pendekatan similarity ini adalah apabila terdapat atribut dengan range nilai yang berbeda jauh maka akan menghasilkan nilai similarity yang besar. Nilai ini jelas tidak adil apabila terdapat atribut lain yang memiliki range sangat kecil. Perhitungan menggunakan fuzzy dinilai sangat cocok untuk menangani masalah ini. Dalam perhitungan fuzzy digunakan nilai terbesar yaitu 1 dengan nilai terendah adalah 0. Penelitian ini melakukan perhitungan algoritma K-Nearest Neighbour menggunakan fuzzy dan dilakukan perbandingan dengan perhitungan tanpa menggunakan fuzzifikasi data. Hasil dari penelitian ini membuktikan bahwa fuzzifikasi data untuk normalisasi atribut dapat membuat perhitungan klasifikasi k-nearest neighbor lebih akurat dan sesuai dengan sasaran.
Aplikasi Pendukung Keputusan Persetujuan Kredit berbasis WEB dengan Pemanfaatan Algoritma Data Mining Al Karomi, M Adib; Rusli, Christian Yulianto
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.v13i1.21

Abstract

Dalam kehidupan modern saat ini banyak masyarakat menginginkan kepemilikan atas suatu barang dengan jasa pinjaman dana atau lebih dikenal dengan istilah kredit. Kondisi seperti ini memungkinkan berkembangnya perusahaan jasa keuangan dengan berbagai macam penawaran pembiayaan untuk barang impian dari nasabah. Sayangnya dari hasil penelitian sebelumnya banyak nasabah tergolong dalam klasifikasi kredit macet. Hal ini membuat berbagai perusahaan jasa keuangan berpikir keras untuk mengurangi kerugian atas banyaknya kredit macet. Salah satu penanggulangan awal yang dapat dilakukan adalah dengan melakukan klasifikasi calon nasabah menggunakan sebuah perhitungan algoritmik dengan perbandingan nasabah yang pernah tercatat sebelumnya. Beberapa  model klasifikasi banyak digunakan. Salah satu yang terbaik adalah menggunakan metode naive bayes. Metode ini memungkinkan perhitungan probabilitas dari setiap atribut yang adaelitian ini menciptakan sebuah aplikasi pendukung keputusan persetujuan kredit dengan menggunakan algoritma naive bayes. Hsistem dapat menjadi pendukuputusan atas persetujuan pemberian kredit terhadap nasabah. Sistem ini tidak mengikat hasil akhir klasifikasi untuk pembiayaan nasabah karena keputusan akhir adalah hak dari manajerial perusahaan penyedia pembiayaan.
Fuzzifikasi Data untuk Normalisasi Atribut dalam Perhitungan Algoritma K-Nearest Neighbour Al Karomi, M Adib
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.v13i2.41

Abstract

K-Nearest Neighbour Merupakan algoritma yang sering digunakan dalam proses klasifikasi. Dalam proses perhitungannya algoritma ini menggunakan pendekatan similarity antar record atribut. Fungsi ini terbukti baik digunakan dan dapat menghasilkan klasifikasi yang cukup akurat. Kelemahan pendekatan similarity ini adalah apabila terdapat atribut dengan range nilai yang berbeda jauh maka akan menghasilkan nilai similarity yang besar. Nilai ini jelas tidak adil apabila terdapat atribut lain yang memiliki range sangat kecil. Perhitungan menggunakan fuzzy dinilai sangat cocok untuk menangani masalah ini. Dalam perhitungan fuzzy digunakan nilai terbesar yaitu 1 dengan nilai terendah adalah 0. Penelitian ini melakukan perhitungan algoritma K-Nearest Neighbour menggunakan fuzzy dan dilakukan perbandingan dengan perhitungan tanpa menggunakan fuzzifikasi data. Hasil dari penelitian ini membuktikan bahwa fuzzifikasi data untuk normalisasi atribut dapat membuat perhitungan klasifikasi k-nearest neighbor lebih akurat dan sesuai dengan sasaran.
Co-Authors Ivandari, Ivandari Maulana, Much. Rifqi Rusli, Christian Yulianto