Article Per Year (5 Year)
p-Index From 2021 - 2026
4.615
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA JITK (Jurnal Ilmu Pengetahuan dan Komputer) Journal Information System Development JURNAL TEKNOLOGI DAN ILMU KOMPUTER PRIMA (JUTIKOMP) METIK JURNAL Building of Informatics, Technology and Science REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Pengabdian kepada Masyarakat Nusantara DEVICE Jurnal Sains Teknologi dan Sistem Informasi Jurnal Pengabdian Kepada Masyarakat Prosiding Konferensi Nasional PKM-CSR Jurnal Sains dan Teknologi Jurnal Pengabdian Masyarakat Bidang Sains dan Teknologi SATIN - Sains dan Teknologi Informasi International Journal of Multidisciplinary Approach Research and Science
Pangaribuan, Jefri Junifer
Universitas Pelita Harapan
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Transportation Veterinary Other

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search
Journal : Journal Information System Development

 1 
MENDIAGNOSIS PENYAKIT DIABETES MELITUS DENGAN MENGGUNAKAN METODE EXTREME LEARNING MACHINE Pangaribuan, Jefri Junifer
Journal Information System Development (ISD) Vol 1, No 2 (2016): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

ABSTRAK Pada tahun 2010 lalu, World Health Organization (WHO) lewat Global Status Report melaporkan bahwa 60 persen penyebab kematian semua umur di dunia adalah karena penyakit tidak menular, dan salah satu penyakit tidak menular yang menyita banyak perhatian adalah diabetes melitus. Diperkirakan pada tahun 2030 mendatang Indonesia akan memiliki 21.3 juta jiwa penyandang penyakit tertua di dunia ini. Peningkatan jumlah diabetes disebabkan terlambatnya diagnosis penyakit tersebut. Oleh karena itu, diperlukan suatu ramalan baru yang dapat menjadi alat bantu dalam penentuan apakah seseorang menderita diabetes atau tidak. Begitu banyak metode yang digunakan untuk menghasilkan ramalan yang akurat, salah satunya adalah metode jaringan saraf tiruan. Penelitian ini akan mengimplementasikan suatu metode baru dari jaringan saraf tiruan yaitu Extreme Learing Machine (ELM). ELM merupakan jaringan saraf tiruan feed-forward dengan satu atau lebih hidden layer yang dikenal dengan istilah single hiden layer feed-forward neural. Berdasarkan hasil eksperimen yang dilakukan, terlihat bahwa metode ELM mampu memberikan hasil akurasi prediksi yang baik dengan kecepatan prediksi yang sangat baik. Kata kunci: diagnosa, diabetes melitus, jaringan saraf tiruan, extreme learning machine
PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM Pangaribuan, Jefri Junifer; Lestari, Megawaty
Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.
Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression Pangaribuan, Jefri Junifer; Tanjaya, Henry; Kenichi, Kenichi
Journal Information System Development (ISD) Vol 6, No 2 (2021): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Penyakit Jantung atau disebut juga penyakit kardiovaskular merupakan salah salah satu penyakit berbahaya yang dapat menyebabkan kematian. Seiring berkembangnya teknologi dan peningkatan popularitas teknologi machine learning, teknologi machine learning tersebut dapat digunakan untuk membantu mendeteksi penyakit jantung dengan menggunakan data pasien. Terdapat berbagai jenis metode yang dapat digunakan untuk mendiagnosa apakah seseorang terkena penyakit jantung atau tidak. Penelitian ini mengimplementasikan penggunaan algoritma yaitu logistic regression, dimana algoritma tersebut memakai fungsi logistik untuk menghasilkan binary atau nol dan satu sebagai penentuan klasifikasi. Setelah eksperimen dilakukan dengan algoritma logistik regresi memberikan hasil yang memiliki keunggulan yang berbeda beda terhadap metode lainnya berdasarkan model analisa confusius matrix.
KOMPARASI TINGKAT AKURASI RANDOM FOREST DAN KNN UNTUK MENDIAGNOSIS PENYAKIT KANKER PAYUDARA Pangaribuan, Jefri Junifer; Angkasa, Vincent

Publisher :

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

Abstract

Abstract – Breast cancer is a cancer that is formed on breast cells. According to Observatory, breast cancer contributed 30.8% for death in all-ages woman that is caused by cancer in 2020. This research uses breast cancer data set to increase awareness and knowledge about breast cancer because the awareness of breast cancer should be public knowledge. KNN is often used for classification. Random Forest is versatile and can be used without tuning to give good result. Previous research indicates SVM has 96.47% of accuracy, Neural Network 97.06%, Naive Bayes 91.18%. The data set is from Kaggle. With the diagnosis of ‘M’ for malignant and ‘B’ for benign. The data set consists of 569 data and 33 columns in which 31 columns are used. Seventy-five percent of the data is the training data. This research concludes that KNN achieves a ROC score of 0.9959 while Random Forest produces 0.9951.Keywords: Breast Cancer, KNN, Random Forest                          Abstrak – Kanker payudara adalah kanker yang terbentuk di sel-sel bagian payudara. Menurut data dari Observatory kanker payudara berkontribusi sebanyak 30,8% untuk kematian penyakit kanker pada wanita untuk semua usia pada tahun 2020. Penelitian ini memakai data set kanker payudara untuk menambah kesadaran, karena, kesadaran akan kanker payudara itu penting dan seharusnya menjadi ilmu pengetahuan umum. Algoritma KNN sering digunakan untuk kasus klasifikasi dan Random Forest memiliki sifat versatile dan tanpa di-tune dapat memberikan akurasi yang bagus dalam klasifikasi. Dari penelitian sebelumnya, SVM memiliki 96.47% accuracy, Neural Network sebanyak 97,06%, dan Naive Bayes 91,18% accuracy. Ppenelitian ini peneliti memiliki ketertarikan untuk membandingkan kedua algoritma dengan ROC curve. Sumber data berasal dari Kaggle. Diagnosis ‘M’ (malignant) dan ‘B’ (benign). Terdiri dari 569 data dan 33 kolom. Data training sebesar 75% dan memakai 31 kolom. Dari penelitian ini dapat disimpulkan nilai ROC yang dimiliki oleh KNN adalah sebesar 0.9959 dan Random Forest sebesar 0.9951.Kata Kunci: Kanker Payudara, KNN, Random Forest
KOMPARASI TINGKAT AKURASI RANDOM FOREST DAN KNN UNTUK MENDIAGNOSIS PENYAKIT KANKER PAYUDARA Jefri Junifer Pangaribuan; Vincent Angkasa
Journal Information System Development (ISD) Vol 7 No 1 (2022): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Abstract – Breast cancer is a cancer that is formed on breast cells. According to Observatory, breast cancer contributed 30.8% for death in all-ages woman that is caused by cancer in 2020. This research uses breast cancer data set to increase awareness and knowledge about breast cancer because the awareness of breast cancer should be public knowledge. KNN is often used for classification. Random Forest is versatile and can be used without tuning to give good result. Previous research indicates SVM has 96.47% of accuracy, Neural Network 97.06%, Naive Bayes 91.18%. The data set is from Kaggle. With the diagnosis of ‘M’ for malignant and ‘B’ for benign. The data set consists of 569 data and 33 columns in which 31 columns are used. Seventy-five percent of the data is the training data. This research concludes that KNN achieves a ROC score of 0.9959 while Random Forest produces 0.9951.Keywords: Breast Cancer, KNN, Random Forest                          Abstrak – Kanker payudara adalah kanker yang terbentuk di sel-sel bagian payudara. Menurut data dari Observatory kanker payudara berkontribusi sebanyak 30,8% untuk kematian penyakit kanker pada wanita untuk semua usia pada tahun 2020. Penelitian ini memakai data set kanker payudara untuk menambah kesadaran, karena, kesadaran akan kanker payudara itu penting dan seharusnya menjadi ilmu pengetahuan umum. Algoritma KNN sering digunakan untuk kasus klasifikasi dan Random Forest memiliki sifat versatile dan tanpa di-tune dapat memberikan akurasi yang bagus dalam klasifikasi. Dari penelitian sebelumnya, SVM memiliki 96.47% accuracy, Neural Network sebanyak 97,06%, dan Naive Bayes 91,18% accuracy. Ppenelitian ini peneliti memiliki ketertarikan untuk membandingkan kedua algoritma dengan ROC curve. Sumber data berasal dari Kaggle. Diagnosis ‘M’ (malignant) dan ‘B’ (benign). Terdiri dari 569 data dan 33 kolom. Data training sebesar 75% dan memakai 31 kolom. Dari penelitian ini dapat disimpulkan nilai ROC yang dimiliki oleh KNN adalah sebesar 0.9959 dan Random Forest sebesar 0.9951.Kata Kunci: Kanker Payudara, KNN, Random Forest
Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression Jefri Junifer Pangaribuan; Henry Tanjaya; Kenichi Kenichi
Journal Information System Development (ISD) Vol 6 No 2 (2021): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Penyakit Jantung atau disebut juga penyakit kardiovaskular merupakan salah salah satu penyakit berbahaya yang dapat menyebabkan kematian. Seiring berkembangnya teknologi dan peningkatan popularitas teknologi machine learning, teknologi machine learning tersebut dapat digunakan untuk membantu mendeteksi penyakit jantung dengan menggunakan data pasien. Terdapat berbagai jenis metode yang dapat digunakan untuk mendiagnosa apakah seseorang terkena penyakit jantung atau tidak. Penelitian ini mengimplementasikan penggunaan algoritma yaitu logistic regression, dimana algoritma tersebut memakai fungsi logistik untuk menghasilkan binary atau nol dan satu sebagai penentuan klasifikasi. Setelah eksperimen dilakukan dengan algoritma logistik regresi memberikan hasil yang memiliki keunggulan yang berbeda beda terhadap metode lainnya berdasarkan model analisa confusius matrix.
MENDIAGNOSIS PENYAKIT DIABETES MELITUS DENGAN MENGGUNAKAN METODE EXTREME LEARNING MACHINE Jefri Junifer Pangaribuan
Journal Information System Development Vol 1, No 2 (2016): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

ABSTRAK Pada tahun 2010 lalu, World Health Organization (WHO) lewat Global Status Report melaporkan bahwa 60 persen penyebab kematian semua umur di dunia adalah karena penyakit tidak menular, dan salah satu penyakit tidak menular yang menyita banyak perhatian adalah diabetes melitus. Diperkirakan pada tahun 2030 mendatang Indonesia akan memiliki 21.3 juta jiwa penyandang penyakit tertua di dunia ini. Peningkatan jumlah diabetes disebabkan terlambatnya diagnosis penyakit tersebut. Oleh karena itu, diperlukan suatu ramalan baru yang dapat menjadi alat bantu dalam penentuan apakah seseorang menderita diabetes atau tidak. Begitu banyak metode yang digunakan untuk menghasilkan ramalan yang akurat, salah satunya adalah metode jaringan saraf tiruan. Penelitian ini akan mengimplementasikan suatu metode baru dari jaringan saraf tiruan yaitu Extreme Learing Machine (ELM). ELM merupakan jaringan saraf tiruan feed-forward dengan satu atau lebih hidden layer yang dikenal dengan istilah single hiden layer feed-forward neural. Berdasarkan hasil eksperimen yang dilakukan, terlihat bahwa metode ELM mampu memberikan hasil akurasi prediksi yang baik dengan kecepatan prediksi yang sangat baik. Kata kunci: diagnosa, diabetes melitus, jaringan saraf tiruan, extreme learning machine
PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM Jefri Junifer Pangaribuan; Megawaty Lestari
Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.
Analisa dAN Perancangan Sistem Informasi Point of Sales untuk UMKM Studi Kasus: Arjuna Farm Jefri Junifer Pangaribuan; Okky Putra Barus; Yudhistira Adhitya Pratama; Faisal Nadjar; Ade Maulana
Journal Information System Development (ISD) Vol 7 No 2 (2022): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19166/isd.v7i2.560

Abstract

The Covid-19 pandemic has had an impact on various economic sectors and resulted in a decline in various sectors. In the midst of economic uncertainty due to the COVID-19 pandemic, the Small and Medium Enterprises (SMEs) sector is expected to be the foundation of the national economy that can contribute to the revival of the economy of Indonesia. One of the SMEs that will be supported in this research program is Arjuna Farm and its partners spread across Indonesia. Arjuna Farm has a focus on the livestock sector and also the distribution of various derivative products. One of the obstacles faced by Arjuna Farm partners is in terms of recording the company's operational transactions. The result is the farmers being unable to make the right decisions in managing the business and also developing the business. Therefore, this Community Service will produce a point of sales solution that is suitable for the needs of farmers. In addition, mentoring will be carried out for 1 semesters to ensure that the resulting solutions can be measured for success and also provide optimal benefits for farmers. Keywords: Point of Sales, Farmer, SMEs Bahasa Indonesia Abstrak: Pandemi Covid19 telah memberikan dampak bagi berbagai sector ekonomi dan menghasilkan penurunan di berbagai sector. Di tengah ketidakpastian ekonomi akibat pandemi covid-19, sektor Usaha Kecil dan Menengah (UMKM) diharapkan menjadi pondasi perekonomian nasional yang dapat memberikan kontribusi kepada kebangkitan ekonomi Indonesia. Salah satu UMKM yang akan didukung dalam penelitian ini adalah UMKM Arjuna Farm dan mitra-mitranya yang tersebar di Indonesia. Arjuna Farm memiliki focus pada bidang peternakan dan juga distribusi berbagai produk turunannya. Salah satu kendala yang dialai oleh mitra-mitra Arjuna Farm yaitu dalam hal pencatatan transaksi operasional perusahaan. Yang mana berakibat kepada para peternak tersebut tidak dapat membuat keputusan yang tepat dalam mengelola usaha dan juga mengembangkan usaha. Oleh karena itu PKM ini akan menghasilkan sebuah solusi point of sales yang sesuai untuk kebutuhan para peternak. Selain itu akan dilaksanakan pendampingan selama 1 semester untuk memastikan agar solusi yang dihasilkan dapat diukur keberhasilannya dan juga memberikan benefit yang optimal untuk para peternak. Kata Kunci: Point of Sales, Peternak, UMKM
Co-Authors Ade Maulana Ade Maulana Ali Akbar Lubis Anggara, Alfin Angkasa, Vincent Aulia Rizky Muhammad Hendrik Noor Asegaff Barus, Okky Putra Calista Chandra Chandra, Wenripin Chilwin Chilwin Chilwin Elrico Tanto Jaya Erick Suliegna Erlanie Sufarnap Faisal Nadjar Ferawaty, Ferawaty Frans Mikael Sinaga Henry Tanjaya Huzaifah, Ade Sarah Ilhami, Mirza Iskandar Muda Jaclyn Tjuarsa Jepronel Saragih Jovita Zesty Jusin Jusin Jusin Kenichi Kenichi Kenichi, Kenichi Kevin Bastian Sirait Leonie, Valerie Lestari, Megawaty Megawaty Lestari Mirza Ilhami Mirza Ilhami Muhammad Thafa Kurniawan Okky Barus Putra, Alexander Reynaldo Fang Riche Riche Ricky Ricky Ricky Robin - Romindo Romindo Romindo Romindo Sabrina Jovanka Sabrina Jovanka Shendy Dennison Shendy Dennison Sherin Karisa Tanjaya, Henry Triandes Sinaga Vincent Angkasa Wiliem, Evelyn William William Yudhistira A. Pratama Yudhistira Adhitya Pratama Yudhistira Adhitya Pratama Yugopuspito, Pujianto