Claim Missing Document
Check
Articles

Found 21 Documents
Search

Komparasi Algoritma KNN dan Random Forest untuk Diagnosa Penyakit Jantung Koroner (Studi Kasus: RSUD Dr. Soeselo Slawi) Miftakhudin, Ahmad; Santoso, Nugroho Adhi; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2424

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu penyebab utama kematian di Indonesia, sehingga deteksi dini menjadi aspek krusial dalam upaya mencegah komplikasi dan meningkatkan efektivitas intervensi medis. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua algoritma machine learning, yaitu K-Nearest Neighbors (KNN) dan Random Forest, dalam klasifikasi diagnosis penyakit jantung koroner berdasarkan data rekam medis pasien RSUD Dr. Soeselo Slawi. Metodologi penelitian meliputi tahapan preprocessing data, transformasi fitur kategorikal, normalisasi, pembagian data dengan rasio 80:20, serta pelatihan dan evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa lebih unggul dengan akurasi sebesar 84.00%, precision 84.02%, recall 84.00%, dan F1-score 83.97%. Sementara K-Nearest Neighbors (KNN) memperoleh akurasi 82.00% dengan nilai evaluasi yang sedikit lebih rendah. Pengujian tambahan menggunakan K-Fold Cross Validation menunjukkan bahwa Random Forest lebih stabil terhadap variasi data, dengan akurasi tertinggi 84.80% pada fold ke-4. Penelitian ini juga melakukan pembagian data dengan rasio (60:40, 70:30, dan 90:10). Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma terbaik untuk implementasi sistem pendukung keputusan medis dalam diagnosis penyakit jantung koroner. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi kesehatan berbasis kecerdasan buatan yang lebih akurat, efisien, dan dapat diandalkan di lingkungan rumah sakit.
Penerapan K-Means Clustering untuk Klasifikasi Jenis Beras Berdasarkan Tren Harga di Pasar Induk Beras Cipinang (PIBC) Ubaidillah, Muhamad Rizal; Santoso, Nugroho Adhi; Utami, Erni Ungguk Sedya
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2594

Abstract

Harga beras yang fluktuatif di Pasar Induk Beras Cipinang (PIBC) memerlukan analisis berbasis data untuk memahami pola pergerakan harga dan mendukung kebijakan distribusi yang tepat. Penelitian ini bertujuan untuk mengelompokkan jenis-jenis beras berdasarkan kesamaan tren harga tahunan selama periode 2020–2024. Metode yang digunakan adalah algoritma K-Means Clustering dengan tahapan pra-pemrosesan data menggunakan Min-Max Scaling, penentuan jumlah klaster optimal melalui metode Elbow, dan evaluasi hasil menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa 14 jenis beras berhasil dikelompokkan ke dalam tiga klaster utama, yaitu klaster harga rendah (seperti IR-64 I, IR-64 II, dan Muncul III), klaster harga menengah (seperti Cianjur Kepala, Setra Ramos, dan Saigon), serta klaster harga tinggi (Ketan Hitam dan Ketan Putih Paris), dengan nilai Silhouette Score sebesar 0,507 yang menunjukkan kualitas pengelompokan cukup baik. Implikasi penelitian ini adalah metode data mining dapat digunakan untuk memetakan segmentasi pasar beras secara efektif, sehingga pihak terkait seperti pedagang, distributor, dan pembuat kebijakan dapat lebih mudah merumuskan strategi distribusi dan intervensi harga yang tepat sasaran.
Implementasi Algoritma Regresi Linier dan ARIMA untuk Prediksi Harga Emas Putri, Ambar Ramadhani; Santoso, Nugroho Adhi; Santoso, Bayu Aji
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.2757

Abstract

Penelitian ini bertujuan mengimplementasikan dan mengevaluasi dua algoritma untuk prediksi, yaitu Regresi Linier dan ARIMA (Autoregressive Integrated Moving Average), dalam memproyeksikan harga emas (XAU/IDR) berdasarkan data historis periode 1 Januari 2022 – 31 Desember 2024. Data diperoleh dari Investing.com dan melalui tahapan pra-pemrosesan, meliputi penanganan missing values, konversi format tanggal, dan penyusunan data terstruktur. Regresi Linier digunakan untuk memodelkan tren harga jangka panjang, sedangkan ARIMA (0,1,1) diterapkan untuk menangkap pola fluktuasi jangka pendek. Evaluasi kinerja menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa Regresi Linier memiliki tingkat kesalahan prediksi lebih rendah (MAE = 51.367,85; RMSE = 89.745,89) dibandingkan ARIMA (MAE = 74.744,18; RMSE = 118.356,75). Dengan demikian, Regresi Linier dinilai lebih tepat untuk memodelkan tren harga emas pada dataset ini, sementara ARIMA tetap relevan untuk memprediksi pergerakan jangka pendek. Penelitian ini diharapkan dapat menjadi referensi dalam penerapan metode statistik dan machine learning klasik pada prediksi harga komoditas, khususnya emas, di pasar Indonesia.
Digital Marketing Efforts to Improve Products of Micro Small and Medium Enterprises (UMKM) in Tegal Santoso, Nugroho Adhi; Nugroho, Bangkit Indarmawan; Murtopo, Aang Alim; Surorejo, Sarif; Gunawan, Gunawan
Brilliance: Research of Artificial Intelligence Vol. 3 No. 2 (2023): Brilliance: Research of Artificial Intelligence, Article Research November 2023
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v3i2.3646

Abstract

Digital marketing is promotional activities and market search through the media digitally online by utilizing various means such as social networks. The aim of this research is to increase knowledge and skills about digital marketing, especially social media, for Small and Medium Enterprises (SME) business people to increase their sales and profits. Digital marketing is the use of social media networks to carry out promotional activities and map digital markets. By using computers or other electronic equipment, digital marketing ideas can bring together geographically diverse parties. The aim of this research is to identify the most effective digital marketing tactics for the growth of MSMEs in Tegal City and Tegal Regency. The method used in this research is descriptive qualitative. With Data collection through observation, interviews, and secondary sources, such as books, journals, and articles, were used to collect information for this research. The results of this research show that the productivity growth of MSMEs in Tegal City and Tegal Regency has not been positive. Even when a website for an online business has been created, not everyone has implemented a digital marketing plan. It can be seen that digital marketing strategies have not received much attention from MSMEs in Tegal City and Tegal Regency. So it is hoped that MSMEs in Tegal City and Tegal Regency can adapt to changing times, namely selling online using digital marketing strategies.
Application of K-NN algorithm using gray level co-occurrence matrix for mango fruit classification cased on leaf image Nugroho, Bangkit Indarmawan; Aziz, Taufiq; Santoso, Nugroho Adhi; Gunawan, Gunawan
Journal of Intelligent Decision Support System (IDSS) Vol 7 No 2 (2024): June: Intelligent Decision Support System (IDSS)
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/idss.v7i2.233

Abstract

Mango is a fruit crop favored by the community, especially the people of Probolinggo. The most widely planted types of mangoes in the Probolinggo area are Saruman is, golek, and manalagi mangoes because they taste good. This study uses mango leaves as a dataset of three types of mangoes: arumanis, golek, and manalagi. Various ways can be done to distinguish mango types, one of which is by looking at the shape and texture of the mango tree leaves. Suppose you look at the data in the field. In that case, the shape and texture of the leaves of Saruman, golek, and manalagi mangoes have many similarities, making it difficult to distinguish with the naked eye. This research aims to classify mango types based on leaf shape and texture using the K-Nearest Neighbor method. The shape feature extraction process uses compactness and circularity methods, while the texture feature extraction process uses energy and contrast from the co-occurrence matrix approach. The classification method used is K-Nearest Neighbor. The test results of shape feature extraction took 0.043 seconds and texture 0.053 seconds
Perbandingan Metode Fuzzy Mamdani dan Fuzzy Tsukamoto untuk Identifikasi Tingkat Serangan Penyakit pada Tanaman Bawang Merah Hidayatullah, Bryan Adam; Nugroho, Bangkit Indarmawan; Santoso, Nugroho Adhi; Gunawan, Gunawan
Innovative: Journal Of Social Science Research Vol. 4 No. 3 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i3.10506

Abstract

Penelitian ini membandingkan metode fuzzy Mamdani dan fuzzy Tsukamoto dalam mengidentifikasi tingkat serangan penyakit pada tanaman bawang merah untuk meningkatkan deteksi dini penyakit dan produktivitas pertanian. Menggunakan dataset parameter kesehatan tanaman, termasuk gejala penyakit dan kondisi lingkungan, penelitian mengaplikasikan kedua metode fuzzy tersebut untuk memperkirakan kerentanan tanaman terhadap penyakit. Hasil menunjukkan bahwa fuzzy Tsukamoto lebih akurat dan efisien, terutama dalam data kompleks. Penelitian ini memberikan pemahaman baru dalam aplikasi fuzzy logic pada penyakit tanaman bawang merah dan pengembangan model serupa di pertanian. Temuan ini penting untuk pengembangan sistem pendukung keputusan yang lebih efisien dalam pertanian, mengintegrasikan teknologi informasi dalam manajemen kesehatan tanaman.
Penerapan Metode Fuzzy K-Means Clustering untuk Pengelompokan Konten Halaman Web secara Otomatis Budiono, Wahyu; Nugroho, Bangkit Indarmawan; Santoso, Nugroho Adhi; Gunawan, Gunawan
Innovative: Journal Of Social Science Research Vol. 4 No. 3 (2024): Innovative: Journal Of Social Science Research (Special Issue)
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i3.12022

Abstract

Penerapan Metode Fuzzy K-Means Clustering untuk Pengelompokan Konten Halaman Web Secara Otomatis adalah penelitian yang bertujuan untuk mengotomatisasi proses pengelompokan konten halaman web menggunakan pendekatan clustering fuzzy. Dalam konteks ini, algoritma Fuzzy K-Means digunakan untuk mengelompokkan konten halaman web menjadi beberapa kategori berdasarkan kesamaan karakteristik tertentu. Metode ini memanfaatkan kelebihan pendekatan clustering fuzzy dalam menangani ketidakpastian dalam data dan kemampuan K-Means dalam mengelompokkan data menjadi beberapa cluster. Penelitian ini mencakup tahapan pra-pemrosesan data, ekstraksi fitur, dan implementasi algoritma Fuzzy K-Means Clustering. Eksperimen dilakukan menggunakan dataset yang berisi konten halaman web dari berbagai domain. Hasil evaluasi menunjukkan bahwa metode ini dapat menghasilkan pengelompokan konten halaman web yang sesuai dengan karakteristiknya secara otomatis, dengan tingkat akurasi dan interpretabilitas yang baik. Implementasi metode ini dapat memberikan kontribusi signifikan dalam pengelolaan dan penyaringan konten web secara efisien.
Penerapan Metode Fuzzy K-Means Clustering untuk Pengelompokan Konten Halaman Web secara Otomatis Budiono, Wahyu; Nugroho, Bangkit Indarmawan; Santoso, Nugroho Adhi; Gunawan, Gunawan
Innovative: Journal Of Social Science Research Vol. 4 No. 3 (2024): Innovative: Journal Of Social Science Research (Special Issue)
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i3.12065

Abstract

Penerapan Metode Fuzzy K-Means Clustering untuk Pengelompokan Konten Halaman Web Secara Otomatis adalah penelitian yang bertujuan untuk mengotomatisasi proses pengelompokan konten halaman web menggunakan pendekatan clustering fuzzy. Dalam konteks ini, algoritma Fuzzy K-Means digunakan untuk mengelompokkan konten halaman web menjadi beberapa kategori berdasarkan kesamaan karakteristik tertentu. Metode ini memanfaatkan kelebihan pendekatan clustering fuzzy dalam menangani ketidakpastian dalam data dan kemampuan K-Means dalam mengelompokkan data menjadi beberapa cluster. Penelitian ini mencakup tahapan pra-pemrosesan data, ekstraksi fitur, dan implementasi algoritma Fuzzy K-Means Clustering. Eksperimen dilakukan menggunakan dataset yang berisi konten halaman web dari berbagai domain. Hasil evaluasi menunjukkan bahwa metode ini dapat menghasilkan pengelompokan konten halaman web yang sesuai dengan karakteristiknya secara otomatis, dengan tingkat akurasi dan interpretabilitas yang baik. Implementasi metode ini dapat memberikan kontribusi signifikan dalam pengelolaan dan penyaringan konten web secara efisien.
SYTEMATIC LITERAURE REVIEW : PENERAPAN METODE ALGORITMA C4,5 UNTUK KLASIFIKASI Srifani, Dewi; Nugroho, Bangkit Indarmawan; Santoso, Nugroho Adhi
Jurnal Informatika UPGRIS Vol 8, No 2: Desember 2022
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v8i2.12507

Abstract

Abstract---Data mining is extracting data in processing information with the aim of finding important patterns in piles of data. With data mining we can classify, predict, and make a decision. Classification is a way of grouping a data according to the characteristics of a data to be classified. In the process, the classification is divided into two, namely manually and with the help of technology. Manual classification is a classification carried out by humans without the help of technology, while classification with the help of technology has several algorithms, including C4.5, Naive Bayes, Fuzzy, and K-Nearest Neighbor. 5 for classification, a systematic approach is used in the form of a systematic literature review (SLR). SLR is defined as a process in which the identification, assessment, and interpretation of all available research evidence is carried out with the aim of answering a number of research questions
Expert system for diagnosing pests and diseases of shallot plants with naïve bayes method Surorejo, Sarif; Albana, Muhammad Syifa; Santoso, Nugroho Adhi; Gunawan, Gunawan
Jurnal Mandiri IT Vol. 13 No. 1 (2024): July: Computer Science and Field
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/mandiri.v13i1.304

Abstract

The development of an expert system for diagnosing pests and diseases of onion plants is of great importance given the significant role of these crops in the agricultural industry. This research aims to design and develop an expert system that can diagnose various pests and diseases that attack onion plants using the Naive Bayes method. This method was chosen for its ability to classify data based on probability assuming independence between features. This system is designed to assist farmers in identifying pests and diseases more accurately and quickly so that appropriate control measures can be taken immediately.  The training data used in this study included symptoms that often occur in onion plants due to pest or disease attacks. Each symptom is associated with the probability of the appearance of a particular pest or disease. This expert system is designed with an easy-to-use interface for farmers, where they can enter the symptoms observed in plants. Based on these inputs, the system will analyze and provide a diagnosis along with recommendations for control actions that can be taken. The system testing results show that this expert system has good accuracy in diagnosing pests and diseases in onion plants. Thus, this system can be an effective tool for farmers in managing the health of their onion plants. Further research is recommended to improve disease and pest databases and expand the application of these systems to other plant types.