Article Per Year (5 Year)
p-Index From 2020 - 2025
7.552
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian Magister Pendidikan IPA GERVASI: Jurnal Pengabdian kepada Masyarakat DIKDAS MATAPPA: Jurnal Ilmu Pendidikan Dasar Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Mnemonic At-Tanzir : Jurnal Ilmiah Prodi Komunikasi Penyiaran Islam Ilomata International Journal of Social Science jeti Jurnal Begawe Teknologi Informasi Jurnal Teknik Sipil Macca COMPETITIVE: Journal of Education Journal of Data Science and Software Engineering JURNAL PENGABDIAN MASYARAKAT YAMASI Information Technology Education Journal Journal of Embedded Systems, Security and Intelligent Systems Aceh Journal of Electrical Engineering and Technology ARUS JURNAL SAINS DAN TEKNOLOGI WATHAN: Jurnal Ilmu Sosial dan Humaniora Jurnal MediaTIK Macca: Science-Edu Journal Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics Journal of Computers, Informatics, and Vocational Education Jurnal MEKOM: Media Komunikasi Pendidikan Kejuruan International Journal of Sociology of Religion International Journal Of Synergi In Law, Criminal And Justice Al-Hayat: Journal of Islamic Education Jurnal Kolaborasi Akademika Media for Empowerment, Mobilization, and Innovation in Research & Community Journal of Primary Education Innovation and Research SainsTech Innovation Journal
Muliadi
Unknown Affiliation
Religion Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Public Health Social Sciences Other

Published : 59 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 59 Documents
Search

 1   2   3   4   5 
PENINGKATAN KINERJA PREDIKSI CACAT SOFTWARE DENGAN HYPERPARAMETER TUNING PADA ALGORITMA KLASIFIKASI DEEP FOREST Emma Andini; Faisal, Mohammad Reza; Rudy Herteno; Nugroho, Radityo Adi; Friska Abadi; Muliadi
Jurnal Mnemonic Vol 5 No 2 (2022): Mnemonic Vol. 5 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v5i2.4793

Abstract

Prediksi cacat software adalah salah satu studi pada bidang Rekayasa Perangkat Lunak yang telah diteliti oleh banyak peneliti. Tujuan dari studi ini adalah untuk mencari tahu algoritma yang dapat memberikan kinerja prediksi cacat software yang lebih baik. Salah satu penelitian yang telah dilakukan adalah melakukan prediksi cacat software dengan menggunakan algoritma berbasis pohon seperti Decision Tree, Random Forest dan Deep Forest. Deep Forest adalah algoritma klasifikasi berbasis pohon yang baru yang merupakan perbaikan dari algoritma Random Forest. Namun implementasi Deep Forest dalam penelitian terdahulu masih belum memberikan kinerja yang maksimal. Hasil pada penelitian terdahulu menunjukan bahwa kinerja algoritma Deep Forest masih ada yang lebih rendah dibandingkan algoritma berbasis pohon yang lain. Pada penelitian ini berfokus pada peningkatan kinerja algoritma berbasis pohon dengan melakukan normalisasi pada dataset dan hyperparameter tuning pada algoritma klasifikasi dengan menggunakan pencarian grid. Dataset yang digunakan adalah 3 dataset dari ReLink yaitu Apache, Safe, dan Zxing. Setiap model prediksi divalidasi dengan Stratified 10-Fold Cross Validation dan kinerja dievaluasi menggunakan AUC. Dari hasil eksperimen yang didapatkan,hasil prediksi dari pendekatan yang diusulkan lebih baik daripada metode sebelumnya.
Analisis Kelayakan Transformator 60 MVA Pada GI Ulee Kareng Wisnu Bekti Nugraha; Syukri; Muliadi
Aceh Journal of Electrical Engineering and Technology Vol. 3 No. 2 (2023): Desember
Publisher : Program Studi Teknik Elektro Fakultas Teknik Universitas Iskandarmuda Jl. Kampus Unida No.15, Surien, Kec. Meuraxa, Kota Banda Aceh, Aceh 23234 Propinsi Aceh, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55616/ajeetech.v3i2.646

Abstract

Berdasarkan demand forecast RUPTL 2021-2030 pertumbuhan beban di Provinsi Aceh adalah sebesar 5,7%. Beban Puncak GI Ulee Kareng pada Agustus 2022 adalah sebesar 24 MW (47%) dan akan terus naik pada tahun-tahun berikutnya, untuk mengantisipasi kenaikan beban puncak tersebut dan meningkatkan keandalan penyaluran daya dan fleksibilitas operasi GI Ulee Kareng serta memindahkan sebagian beban dari Gardu Induk Banda Aceh / Lambaro, maka Trafo Daya (TD#1) di GI Ulee Kareng perlu ditambah baik unit dan kapasitasnya. Sedangkan untuk saat ini TD#1 di GI Ulee Kareng hanya berjumlah 1 unit dengan kapasitas 60 MVA Dari hasil simulasi menggunakan aplikasi ETAP versi 16.0.0 berdasarkan RUPTL 2021-2030, maka bisa diketahui pembebanan TD#1 GI pada tahun 2024 sebesar 47,1 MW (82,1%) dengan beroperasinya Extension TD#2 GI Ulee Kareng dapat menurunkan pembebanan TD#1 menjadi 23.5 MW (41%) masih memenuhi kriteria N-1 (Tidak ada pembebanan segmen transmisi yang melebihi 50 %) sedangkan pembebanan trafo GI 150 kV Ulee Kareng pada tahun 2030 sudah masing-masing trafo daya sudah mencapai 52% sehingga perlu dipertimbangkan untuk menambah lagi agar N-1 terpenuhi. Kemudian analisa hubung singkat menunjukkan bahwa arus hubung singkat yang mungkin terjadi masih dibawah rated capacity peralatan untuk 150 kV sebesar 31,5 kA dan 275 kV sebesar 40 kA. (SK DIR NO. 216.K/DIR/2013 terkait standarisasi spesifikasi teknis MTU).
Audit Energi Listrik Pada Kantor Dinas Pendidikan dan Kebudayaan Kota Banda Aceh Herri Muliadi; Muliadi; Syukri; Teuku Murisal Asyadi; Nurlaila Amna
Aceh Journal of Electrical Engineering and Technology Vol. 3 No. 2 (2023): Desember
Publisher : Program Studi Teknik Elektro Fakultas Teknik Universitas Iskandarmuda Jl. Kampus Unida No.15, Surien, Kec. Meuraxa, Kota Banda Aceh, Aceh 23234 Propinsi Aceh, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55616/ajeetech.v3i2.650

Abstract

Energi listrik sangat penting dalam aktifitas sehari-hari, hal ini sangat menunjang dalam operasional di gedung perkantoran dan membutuhkan ketersediaan energi yang besar. Energi listrik digunakan sebagai sumber energi untuk mendukung aktivitas pekerjaan seperti pencahayaan (lampu), tata udara (AC) dan juga alat elektronik seperti komputer dan elektronik lainnya. Berdasarkan hal tersebut, salah satu usaha yang bisa ditempuh untuk meningkatkan efisiensi penggunaan energi listrik adalah dengan melakukan audit energi. Pelaksanaan audit energi listrik dilakukan pada Kantor Dinas Pendidikan dan Kebudayaan Kota Banda Aceh. Pengauditan energi tersebut bertujuan untuk menghitung kosumsi energi listrik serta menentukan peluang penghematan energi pada Kantor Dinas Pendidikan dan Kebudayaan Kota Banda Aceh. Metode yang digunakan pada penelitian ini adalah metode kuantitatif berdasarkan data primer dan data sekunder. Berdasarkan hasil analisis efisiensi energi terhadap pencahayaan, tata udara dan alat elektonik yang telah dilakukan, diketahui bahwa tingkat penggunaan energi listrik di Kantor Dinas Pendidikan dan Kebudayaan Kota Banda Aceh penggunaan tergolong sangat efisien. Dengan diperoleh Intesitas Konsumsi Energi (IKE) sebesar 84 kWh/????2/Tahun dan hasil penghematan energi (PPE) sebesar 38,98 kWh/hari. Dari hasil penelitian ini diharapkan dapat menjadi bahan evaluasi maupun menjadi bahan pertimbangan baik dari peneliti sendiri, dan bagi pihak instansi serta menjadi acuan bagi penelitian berikutnya dalam rangka mencapai efisiensi energi.
Studi Pemeliharaan Pemutus Tenaga (PMT) Pada Gardu Induk PT. PLN (Persero) UPT Banda Aceh Fadhli, Cut; Muliadi; Syukri
Aceh Journal of Electrical Engineering and Technology Vol. 4 No. 1 (2024): Juni
Publisher : Program Studi Teknik Elektro Fakultas Teknik Universitas Iskandarmuda Jl. Kampus Unida No.15, Surien, Kec. Meuraxa, Kota Banda Aceh, Aceh 23234 Propinsi Aceh, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55616/ajeetech.v4i1.661

Abstract

Gardu induk (GI) merupakan infrastruktur yang paling penting dalam penyediaan pasokan listrik. GI bertugas untuk mendistribusikan energi listrik dari sumber energi ke berbagai titik di wilayah Indonesia. Namun, untuk wilayah Banda Aceh dan Aceh Besar peran tersebut dilakukan oleh GI UPT Banda Aceh agar dapat mendukung aktivitas ekonomi dan perkembangan sosial masyarakatnya. Oleh sebab itu, perlu dilakukan pemeliharaan terhadap semua komponen pendukung kinerja GI salah satunya yaitu pemutus tenaga (PMT). PMT adalah suatu peralatan yang memiliki fungsi untuk menghubungkan atau memutuskan aliran listrik baik dalam keadaan normal maupun dalam keadaan abnormal. Adapun pemeliharaan yang dilakukan terhadap PMT yaitu dengan cara melakukan pengukuran nilai tahanan isolasi, tahanan kontak, tahanan pentanahan, dan pengujian keserampakan kontak PMT. Studi ini bertujuan untuk menganalisis praktik pemeliharaan pemutus tenaga (PMT) pada Gardu Induk PT. PLN (Persero) UPT Banda Aceh. Metode penelitiannya yaitu dengan melakukan studi literatur dan survei lapangan dengan pendekatan observasional dan wawancara. Hasil penelitian menunjukkan bahwa proses pemeliharaan PMT pada Bay A, B, dan C di Gardu Induk UPT Banda Aceh masih sangat layak dioperasikan. Nilai tahanan isolasi PMT di fasa R, S, dan T pada titik ukur atas–tanah dan titik ukur bawah–tanah di Bay A memiliki nilai yang sama baik pada tahun 2021 maupun 2022 sedangkan nilai tahanan isolasi pada titik ukur atas–bawah nilainya berbeda dan nilai tahanan isolasi pada PMT Bay B dan C dimana memiliki nilai yang bervariasi pada setiap titik ukurnya termasuk pada fasa R, S, dan T. Nilai tahanan kontak dan tahanan pentanahan dalam dua periode pemeliharaan masih di bawah batas yang diijinkan. Selanjutnya, nilai keserampakan kontak PMT pada Bay A relatif sama dengan Bay C yaitu 53,00 ms dan 55,00 ms (close) serta 29,00 ms dan 29,50 ms (open), Bay B yaitu 29,00 ms dan 29,50 ms (close) serta 22,50 ms dan 23,00 ms (open) dengan selisih nilai keserampakan kontak PMT pada masing-masing Bay yaitu 0,5 ms dan 2 ms.
Rekonfigurasi Jaringan Untuk Mengurangi Losses Dan Jatuh Tegangan Pada Penyulang Krueng Cut Amna, Nurlaila; murisal; Muliadi; Muzafar
Aceh Journal of Electrical Engineering and Technology Vol. 4 No. 1 (2024): Juni
Publisher : Program Studi Teknik Elektro Fakultas Teknik Universitas Iskandarmuda Jl. Kampus Unida No.15, Surien, Kec. Meuraxa, Kota Banda Aceh, Aceh 23234 Propinsi Aceh, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55616/ajeetech.v4i1.797

Abstract

Banda Aceh memiliki sistem distribusi dengan konfigurasi radial dan looping. dalam sistem pendistribusian energi listrik terdapat beberapa hambatan yang disebabkan oleh pemeliharaan atau pun gangguan yang menyebabkan pemadaman, selain itu kurangnya pasokan jaringan menyebabkan adanya jatuh tegangan yang dapat menganggu konsumen. Sistem dari GI Ulee Kareng penyulang Krueng Cut Terhubung dengan sistem 20 kV GI Banda Aceh melalui 5 Incoming Feeder pada keluaran GI Ulee Kareng yang membuat beban di GI Banda Aceh dapat terbagi. Oleh karena itu untuk mengatasi masalah tersebut harus melakukan rekonfigurasi jaringan sistem distribusi. Pada penelitian ini, penulis menganalisa rugi-rugi daya dan jatuh tegangan sistem distribusi GI Ulee Kareng penyulang Krueng Cut yaitu pada sistem jaringan PT. PLN (Persero) UP3 Banda Aceh. Apabila terjadi gangguan dari salah satu GI, akan dapat mengubah rekonfigurasi jaringan GI Banda Aceh yang awalnya hanya sistem rekonfigurasi radial maka dengan adanya penambahan Energize GI Ulee Kareng dapat terintergrasi menjadi sistem jaringan Loop. Adapun metode yang digunakan untuk menganalisa rekonfigurasi jaringan sistem tersebut menggunakan aplikasi ETAP 12.6. Berdasarkan hasil simulasi perubahan rekonfigurasi jaringan sistem distribusi GI Ulee Kareng menggunakan aplikasi ETAP, terlihat perubahan yang cukup signifikan pada kualitas daya dan jatuh tegangan. Tegangan sebelum adanya rekonfigurasi pada GI Ulee Kareng sebesar 19,11 kV dan sesudah adanya rekonfigurasi GI Ulee Kareng nilai rata-rata tegangan menjadi meningkat sebesar 19,48 kV. Sedangkan nilai rugi-rugi daya yang diperoleh sebelum adanya rekonfigurasi sebesar 177,7 kW dan setelah adanya rekonfigurasi GI Ulee Kareng di dapat rugi-rugi daya sebesar 14,5 kW adapun selisih yang terjadi sebesar 103,2 kW, hal ini dapat membuat penurunan rugi-rugi daya sebesar 87 %. Dan indeks keandalan yang dihasil pada tahun 2021 sebelum dilakukan rekonfigurasi, untuk  SAIDI yaitu sebesar 2,06 jam/pelanggan atau 124,152 menit/pelanggan dan SAIFI yaitu sebesar 2,42 jam/pelanggan atau 145,245 menit/pelanggan. Sedangkan nilai indeks pada tahun 2022 setelah dilakukan rekonfigurasi didapatkan untuk SAIDI hasilnya menjadi lebih baik sebesar 1,15 jam/pelanggan atau 69,54 menit/pelanggan dan SAIFI hasilnya sebesar 1,89 jam/pelanggan atau 113,245 menit/pelanggan.
LSTM and Bi-LSTM Models For Identifying Natural Disasters Reports From Social Media Yunida, Rahmi; Faisal, Mohammad Reza; Muliadi; Indriani, Fatma; Abadi, Friska; Budiman, Irwan; Prastya, Septyan Eka
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 5 No 4 (2023): October
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v5i4.319

Abstract

Natural disaster events are occurrences that cause significant losses, primarily resulting in environmental and property damage and in the worst cases, even loss of life. In some cases of natural disasters, social media has been utilized as the fastest information bridge to inform many people, especially through platforms like Twitter. To provide accurate categorization of information, the field of text mining can be leveraged. This study implements a combination of the word2vec and LSTM methods and the combination of word2vec and Bi-LSTM to determine which method is the most accurate for use in the case study of news related to disaster events. The utility of word2vec lies in its feature extraction method, transforming textual data into vector form for processing in the classification stage. On the other hand, the LSTM and Bi-LSTM methods are used as classification techniques to categorize the vectorized data resulting from the extraction process. The experimental results show an accuracy of 70.67% for the combination of word2vec and LSTM and an accuracy of 72.17% for the combination of word2vec and Bi-LSTM. This indicates an improvement of 1.5% achieved by combining the word2vec and Bi-LSTM methods. This research is significant in identifying the comparative performance of each combination method, word2vec + LSTM and word2vec + Bi-LSTM, to determine the best-performing combination in the process of classifying data related to earthquake natural disasters. The study also offers insights into various parameters present in the word2vec, LSTM, and Bi-LSTM methods that researchers can determine.
Implementation of SMOTE and whale optimization algorithm on breast cancer classification using backpropagation Erlianita, Noor; Itqan Mazdadi, Muhammad; Saragih, Triando Hamonangan; Reza Faisal, Mohammad; Muliadi
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 5 No 4 (2023): October
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v5i4.334

Abstract

Breast cancer, which is characterized by uncontrolled cell growth, is the primary cause of mortality among women worldwide. The unchecked proliferation of cells leads to the formation of a mass or tumor. Generally, the absence of timely and efficient treatment contributes to this phenomenon. To prevent breast cancer, one of the strategies involves the classification of malignant and non-malignant types. For this particular investigation, the Breast Cancer Wisconsin dataset (original) comprising 699 instances with 11 classes and 1 target attribute was utilized. Synthetic Minority Oversampling (SMOTE) was employed to balance the dataset, with the Backpropagation classification algorithm and the Whale Optimization Algorithm (WOA) serving as optimization techniques. The main objectives of this study were to analyze the impact of the backpropagation method and SMOTE, examine the effect of the backpropagation method in conjunction with WOA, and assess the outcome of using the backpropagation method and SMOTE after incorporating WOA. The evaluation of the study's findings was performed using a confusion matrix and the Area Under the Curve (AUC) metric. The research outcomes based on the application of backpropagation yielded an accuracy rate of 96%, precision of 94%, recall of 95%, and an AUC of 96%. Subsequently, upon implementing SMOTE and WOA, the performance of the backpropagation method improved, resulting in an accuracy rate of 99%, precision of 97%, recall of 97%, and an AUC of 98%. This notable enhancement in performance suggests that the utilization of SMOTE and WOA effectively enhances accuracy. However, it is important to note that the observed improvements are relatively modest in nature.
Comparison of CatBoost and Random Forest Methods for Lung Cancer Classification using Hyperparameter Tuning Bayesian Optimization-based Zamzam, Yra Fatria; Saragih, Triando Hamonangan; Herteno, Rudy; Muliadi; Nugrahadi, Dodon Turianto; Huynh, Phuoc-Hai
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 6 No 2 (2024): April
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v6i2.382

Abstract

Lung Cancer is a disease that has a high mortality rate and is often difficult to detect until it reaches a very severe stage. Data indicates that lung cancer cases are typically diagnosed late, posing significant challenges to effective treatment. Early detection efforts offer potential for better recovery chances. Therefore, this research aims to develop methods for the identification and classification of lung cancer in the hope of providing further knowledge on effective ways to detect this condition at an early stage. One approach under scrutiny involves employing machine learning classification techniques, anticipated to serve as a pivotal tool in early disease detection and enhancing patient survival rates. This study involves five stages: data collection, data preprocessing, data partitioning for training and testing using 10-fold cross validation, model training, and analysis of evaluation results. In this research, four experiments consist of applying two classification methods, CatBoost and Random Forest, each tested using default hyperparameter and hyperparameter tuning using Bayesian Optimization. It was found that the Random Forest model using hyperparameter tuning Bayesian Optimization outperformed the other models with accuracy (0.97106), precision (0.97339), recall (0.97185), f-measure (0.97011), and AUC (0.99974) for lung cancer data. These findings highlight Bayesian Optimization for hyperparameter tuning in classification models can improve clinical prediction of lung cancer from patient medical records. The integration of Bayesian Optimization in hyperparameter tuning represents a significant step forward in refining the accuracy and effectiveness of classification models, thus contributing to the ongoing enhancement of medical diagnostics and healthcare strategies.
Comparison of the Adaboost Method and the Extreme Learning Machine Method in Predicting Heart Failure Muhammad Nadim Mubaarok; Triando Hamonangan Saragih; Muliadi; Fatma Indriani; Andi Farmadi; Rizal, Achmad
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 6 No 3 (2024): July
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v6i3.440

Abstract

Heart disease, which is classified as a non-communicable disease, is the main cause of death every year. The involvement of experts is considered very necessary in the process of diagnosing heart disease, considering its complex nature and potential severity. Machine Learning Algorithms have emerged as powerful tools capable of effectively predicting and detecting heart diseases, thereby reducing the challenges associated with their diagnosis. Notable examples of such algorithms include Extreme Learning Machine Algorithms and Adaptive Boosting, both of which represent Machine Learning techniques adapted for classification purposes. This research tries to introduce a new approach that relies on the use of one parameter. Through careful optimization of algorithm parameters, there is a marked improvement in the accuracy of machine learning predictions, a phenomenon that underscores the importance of parameter tuning in this domain. In this research, the Heart Failure dataset serves as the focal point, with the aim of demonstrating the optimal level of accuracy that can be achieved through the use of Machine Learning algorithms. The results of this study show an average accuracy of 0.83 for the Extreme Learning Machine Algorithm and 0.87 for Adaptive Boosting, the standard deviation for both methods is “0.83±0.02” for Extreme Machine Learning Algorithm and “0.87±0.03” for Adaptive Boosting thus highlighting the efficacy of these algorithms in the context of heart disease prediction. In particular, entering the Learning Rate parameter into Adaboost provides better results when compared with the previous algorithm. Our research findings underline the supremacy of Extreme Learning Machine Algorithms and Adaptive Improvement, especially when combined with the introduction of a single parameter, it can be seen that the addition of parameters results in increased accuracy performance when compared to previous research using standard methods alone.
A Comparative Study: Application of Principal Component Analysis and Recursive Feature Elimination in Machine Learning for Stroke Prediction Hermiati, Arya Syifa; Herteno, Rudy; Indriani, Fatma; Saragih, Triando Hamonangan; Muliadi; Triwiyanto, Triwiyanto
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 6 No 3 (2024): July
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v6i3.446

Abstract

Stroke is a disease that occurs in the brain and can cause both vocal and global brain dysfunction. Stroke research mainly aims to predict risk and mortality. Machine learning can be used to diagnose and predict diseases in the healthcare field, especially in stroke prediction. However, collecting medical record data to predict a disease usually makes much noise because not all variables are important and relevant to the prediction process. In this case, dimensionality reduction is essential to remove noisy (i.e., irrelevant) and redundant features. This study aims to predict stroke using Recursive Feature Elimination as feature selection, Principal Component Analysis as feature extraction, and a combination of Recursive Feature Elimination and Principal Component Analysis. The dataset used in this research is stroke prediction from Kaggle. The research methodology consists of pre-processing, SMOTE, 10-fold Cross-Validation, feature selection, feature extraction, and machine learning, which includes SVM, Random Forest, Naive Bayes, and Linear Discriminant Analysis. From the results obtained, the SVM and Random Forest get the highest accuracy value of 0.8775 and 0.9511 without using PCA and RFE, Naive Bayes gets the highest value of 0.7685 when going through PCA with selection of 20 features followed by RFE feature selection with selection of 5 features, and LDA gets the highest accuracy with 20 features from feature selection and continued feature extraction with a value of 0. 7963. It can be concluded in this study that SVM and Random Forest get the highest accuracy value without PCA and RFE techniques, while Naive Bayes and LDA show better performance using a combination of PCA and RFE techniques. The implication of this research is to know the effect of RFE and PCA on machine learning to improve stroke prediction.
Co-Authors A.A. Ketut Agung Cahyawan W Abd. Hafid Abd. Rahman Patta Abdul Fattah Nasution Abdul Karim Abdul Latif Abdul Muis Mappalotteng Abdul Wahid Abner Bumbungan Achmad Rizal Adean Mayasri Adrianda, Irsan Agitha, Nadiyasari Ajrun Karim Akbar Prayoga Aldy Ramadhan Alifah Nur Alfiyyah Amin, Kasma Amiruddin Amna, Nurlaila Andi Farmadi Andi Farmandi Andi Haldina Dwi Ramadhani Andi Ihwan Andriani, Cut Yessi Anjar Pranggawan Azhari Ardila Eltari Ningtiyas Arlina Arnita Asriadi Asyadi, Teuku Murisal Awal Nusantara Bayu Hadi Sudrajat Cahaya Maharani Sitompul Chalida Alfany Dedi Iskandar Desti Suci Safitri Difa Fitria Dini Rosyida Dira Ayu Annisa Dodon Turianto Nugrahadi Duyo, Rizal A Dwi Kartini Dwi Kartini, Dwi Emma Andini Erlianita, Noor Fadhli, Cut Fadillah, M. Surya Fahrul Rozi Fajriani Nurl, Anisa Fatma Indriani Fauzan Fridawati, Titit Friska Abadi Gunawan Gunawan, Khairol Hafid, Abd Halimah Hasibuan, Helviana Hasita Dwi Putri Hendrawan Hermiati, Arya Syifa Herri Muliadi Herteno, Rudy Huynh, Phuoc-Hai Indah Nahdiat Isrori Insani, Al Fajrin Irhami Irwan Budiman Irwan Budiman Itqan Mazdadi, Muhammad Jahada Haluti, Islamiyati Joko Sampurno Jumria Khairun Nisa Marpaung Kholipatul Hasanah Kurnia Prima Putra Linda Kurnia Mustafa M. Fauzi Rifqi M. Teguh Jaka Satya Samudra Jati Suara Mahsur Marzuki Maulani Mochammad Imron Awalludin Muh. Ishak Jumarang Muh. Jaelani Suwardy Muh. Yasyfin Farhan Muhamad Fawwaz Akbar Muhammad Denny Ersyadi Rahman Muhammad Itqan Mazdadi Muhammad Latief Saputra Muhammad Marwin Muhammad Nadim Mubaarok Muhammad Reza Faisal, Muhammad Reza Muhardi Mulyantika, Dea Ambar Musa, Ratna Muzafar Nafis Satul Khasanah Nanda Wafiya Nannung, Jumita Nirwana, Hafsah Nugroho, Reihan Putra Pratama Nurlaila Amna Perdhana, Radhitya Pirjatullah Prastya, Septyan Eka Pyrda Monica Qaaf, Muhammad Alfath Radityo Adi Nugroho Rahman Hadi Rahman Ramadhan, Rafsanjani Ramadhani, Maudy Reza Faisal, Mohammad Ridwan, M. Arif Rina Sasmita Alfani Risdawati, Irsyam Riza Adriat Rizal, Agus Rosmalah Rudy Herteno Ruslan Sa'ban Miru, Alimuddin sahar, resti Saragih, Sry Ningsih Saragih, Triando Hamonangan Satria Putra, Yoga Siena, Laifansan Sindi Hikmala Sitti Jauhar, Sitti Situngkir, Andreas Henfri Sri Indah Setiyaningsih MSM Sudarto Syahrul Syamsuddin Syamsuddin Sylva Rahmah Hafiz Syukri Tengku Riza Zarzani N Udin Sidik Sidin Ulantari Suhal Ulfa Khairina Uswatun Hasanah Wahyu Caesarendra Wasik, Abdul Widia Rahayu Wisnu Bekti Nugraha Yulia Azmi Khotimah Yulisnaeni, Sri Yunida, Rahmi Yuris Sutanto Zamzam, Yra Fatria Zulfian Zulfian