Article Per Year (5 Year)
p-Index From 2020 - 2025
0.659
P-Index
This Author published in this journals
All Journal Jurnal TIMES JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sains dan Teknologi
Sirait, Pahala
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Mathematics Physics Social Sciences

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Reduksi Atribut Pada Dataset Penyakit Jantung dan Klasifikasi Menggunakan Algoritma C5.0 Utomo, Dito Putro; Sirait, Pahala; Yunis, Roni
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 4, No 4 (2020): Oktober 2020
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v4i4.2355

Abstract

Coronary heart disease, commonly referred to as cardiovascular, heart disease is a disease with a high mortality rate. Thus diagnosis is very important and is an important area of medical research. In the diagnostic process, the most frequently encountered problems are time in making decisions and the lack of accuracy in the classification process. Attributes are important in making decisions on heart disease so it is necessary to know the main attributes of heart disease. Often different results are obtained in the diagnostic process due to the many attributes used in decision making. So it is necessary to do a reduction process in the attributes of heart disease. Principal Component Analysis (PCA) method can be used for data reduction with large dimensions and ranking the attributes to be reduced. The classification process can be done using the C5.0 Algorithm and getting a level of accuracy in the classification process. The results obtained in this study reduce the 12 attributes of the heart disease dataset and classify them with a combination of attributes after the reduction process is carried out. The results obtained with the highest level of accuracy when classifying with 11 attribute combinations where there is 1 attribute that is reduced, the accuracy rate obtained is 89.11%.
Peningkatan Kinerja Random Forest Melalui Seleksi Fitur Secara Pca Untuk Mendeteksi Penyakit Diabetes Tahap Awal. Susanti, Zenny; Sirait, Pahala; Panjaitan, Erwin Setiawan
Jurnal Sains dan Teknologi Vol. 4 No. 3 (2023): Jurnal Sains dan Teknologi
Publisher : CV. Utility Project Solution

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

Abstract

Diabetes merupakan penyakit yang banyak diderita oleh semua kalangan usia, salah satu penyakit yang menyiksa dengan angka kematian yang tinggi, maka perlu dilakukan diagnosis diabetes stadium awal karena penyakit ini jarang terdeteksi secara dini oleh tubuh yang terkena diabetes. Dalam proses diagnosis, masalah yang paling sering terjadi adalah waktu pengambilan keputusan dan ketepatan diagnosis yang ditemui dalam proses klasifikasi. Atribut penting dalam pengambilan keputusan diabetes tahap awal, sehingga perlu diketahui atribut utama diabetes. Seringkali diperoleh hasil yang berbeda dalam proses diagnostik karena banyak atribut yang digunakan dalam pengambilan keputusan. Sehingga perlu dilakukan proses pengurangan atribut diabetes. Metode Principal Component Analysis (PCA) dapat digunakan untuk mereduksi data dengan dimensi besar dan mereduksi peringkat atribut. Proses klasifikasi dapat dilakukan dengan menggunakan algoritma random forest dan mendapatkan tingkat akurasi dalam proses klasifikasi. Pengujian dengan perbandingan 90:10, 80:20, 70:30 hasil prediksi penyakit menggunakan metode random forest memiliki hasil dan tingkat akurasi yang berbeda.
Kajian Kinerja Metode Support Vector Machine Dan Neural Tangent Kernel Untuk Memprediksi Hasil Ujian Siswa Suryanto, Suryanto; Sirait, Pahala; Andri
Jurnal TIMES Vol 10 No 1 (2021): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (421.803 KB) | DOI: 10.51351/jtm.10.1.2021644

Abstract

Data mining adalah salah satu teknik yang sangat populer dan bagus untuk prediksi. Salah satu algoritma yang sangat populer dalam data mining adalah SVM.Tetapi SVM ini memiliki kelemahan dalam menambang data-data yang besar. Untuk mengatasi hal ini terdapat metode kernel dimana salah satu metode kernel yang terbaru adalah Neural Tangent Kernel (NTK). Kombinasi penggunaan SVM dan NTK dapat digunakan dalam prediksi. Penelitian ini mengkaji metode SVM dikombinasikan dengan NTK dalam menambang Open Learning University Dataset yang merupakan Dataset pembelajaran online negara Inggris yang memiliki database besar dan tersertifikasi. Hasil akurasi prediksi penelitian ini diukur dengan 10 Fold Validation menunjukkan hasil yang memuaskan yaitu akurasi dari Kondisi ( 85.23 % ) lalu Performa ( 84.03 % ) dan yang terakhir adalah Demografi ( 73.17 % ).
Co-Authors Andri Dito Putro Utomo Panjaitan, Erwin Setiawan Roni Yunis Suryanto Suryanto Susanti, Zenny