Garuda - Garba Rujukan Digital

Perbandingan K-Means dan Hierarchical Clustering dalam Pengelompokan Daerah Beresiko Stunting Indra, Indra; Nur, Nahya; Iqram, Muh.; Inayah, Nurul
Jurnal Inovtek Polbeng Seri Informatika Vol 8, No 2 (2023)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v8i2.3612

Saat ini Indonesia merupakan salah satu negara dengan tingkat stunting yang cukup tinggi di dunia, dimana prevalensi stunting masih berada pada kisaran 21,6% sedangkan standar minimal prevalensi stunting yang telah ditetapkan oleh WHO adalah 20%. Stunting merupakan kondisi gagal tumbuh yang terjadi pada masa awal kehidupan, biasanya pada anak usia 0-5 tahun. Untuk mengatasi permasalahan ini, pemerintah dan pihak terkait telah melakukan berbagai upaya dan program intervensi, salah satunya adalah menentukan daerah yang menjadi prioritas penanganan stunting dengan melakukan klasterisasi. Dalam penelitian ini akan melakukan klasterisasi daerah stunting berdasarkan provinsi yang ada di Indonesia dengan mengacu pada beberapa parameter yaitu persentase imunisasi, proporsi stunting, cakupan pemberian ASI eksklusif, cakupan pemberian vitamin dan tablet tambah darah, serta akses terhadap sanitasi dan air minum yang layak. Penelitian ini akan membandingkan antara kluster yang terbentuk menggunakan Hierarchical Clustering dan K Means.Hasil perbandingan antara metode K-Means dan Hierarchical Clusteringmemperlihatkan bahwa K-Means menghasilkan pengelompokan klaster yang lebih baik ditinjau dari nilai Silhouette Coefficient sebesar 0.48 dan Calinski-Harabasz index sebesar 10.49 dengan jumlah klaster yang terbentuk sebanyak 2 klaster.Â Pada Algoritma Hierarchical Clustering, nilai Silhouette Coefficient yang dihasilkan adalah 0.47 dan Calinski-Harabasz index sebesar 9.54. Semakin besar nilai Silhouette Coefficientdan Calinski-Harabasz index, maka semakin baik klaster yang terbentuk.

Analisis Penerapan Mutual Information pada Klasifikasi Status Studi Mahasiswa Menggunakan Naïve Bayes Situju, Sulfayanti; Nur, Nahya; Halal, Nursan
Journal of Applied Computer Science and Technology Vol 6 No 1 (2025): Juni 2025
Publisher : Indonesian Society of Applied Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52158/jacost.v6i1.1106

Early identification of Student Study Status is essential for higher education institutions to implement proactive and strategic measures that facilitate timely completion of studies and mitigate dropout rates. This research intends to predict student study status with the Naïve Bayes method based on the features obtained from the implementation of Mutual Information. Feature selection through Mutual Information seeks to analyse the factors that most significantly impact the classification of student study status. The study status is categorized into three classes: dropout, enrolled, and graduate, based on 36 factors. The Mutual Information approach is employed to diminish data dimensions by discarding less relevant features while preserving critical information based on score values to achieve enhanced predictive accuracy. The selection of appropriate attributes enables the model to maintain simplicity while incorporating critical information aspects that significantly impact performance. Experiments were performed on a dataset comprising student academic variables, with data partitioning ratios of 80:20, 70:30, and 50:50 for training and testing datasets. The classification outcomes utilizing Naïve Bayes, without the use of Mutual Information across the three testing ratios, exhibited the accuracy of 68.29% in the 70:30 data split. Simultaneously, the classification outcomes utilizing Mutual Information across three test ratios are as follows: 71.64% accuracy at an 80:20 ratio with 10 selected attributes, 72.06% at a 70:30 ratio with 10 selected attributes, and the highest accuracy of 72.65% at a 50:50 ratio using 15 attributes. The utilization of the Naïve Bayes method for classifying student study status demonstrates enhanced accuracy when integrated with Mutual Information for feature selection. The findings of this study demonstrate that Mutual Information can streamline data by considering the quantity of attribute selections according to the ranking of their score values.

Prediksi Harga Gabah Kering Panen menggunakan Metode Autoregressive Integrated Moving Average Ria, Canda; Wajidi, Farid; Nur, Nahya
Jurnal Sistem Komputer dan Informatika (JSON) Vol 6, No 4 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v6i4.8614

Gabah kering panen (GKP) merupakan komoditas pertanian strategis yang berperan signifikan dalam mendukung ketahanan pangan nasional. Fluktuasi harga gabah yang tidak menentu menjadi tantangan serius bagi petani dalam menentukan harga jual hasil panen. Dalam penelitian ini, harga gabah kering panen diprediksi dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Data yang digunakan diambil dari data bulanan yang dikumpulkan oleh Badan Pusat Statistik (BPS) dari januari 2010 hingga desember 2024. Proses penelitian meliputi tahap pengumpulan data, pengolahan data, uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF), analisis Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF), pemilihan parameter optimal (p, d, q) menggunakan pendekatan grid search, pembangunan model ARIMA, prediksi, dan mengevaluasi performa model. Hasil uji ADF menunjukkan bahwa data menjadi stasioner setelah differencing kedua. Berdasarkan hasil grid search dan nilai Akaike Information Criterion (AIC) yang paling rendah. Dengan nilai AIC, model yang paling cocok adalah ARIMA (1,2,2). Sebesar 2188,98. Evaluasi terhadap nilai Mean Absolute Percentage Error (MAPE) sebesar 8,90%, Root Mean Squared Error (RMSE) sebesar 636,97 dan Mean Squared Error (MSE) sebesar 405731,65. Dari hasil penelitian ini, dapat disimpulkan bahwa model ARIMA cukup andal dan akurat dalam memprediksi harga gabah kering panen.

Optimasi Algoritma K-Nearest Neighbors pada Prediksi Penyakit Diabetes Arfiah, Sitti; Wajidi, Farid; Nur, Nahya
JURIKOM (Jurnal Riset Komputer) Vol 12, No 3 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v12i3.8615

Diabetes mellitus is a chronic disease characterized by high blood sugar levels due to metabolic system disturbances, specifically related to insulin production or effectiveness. If left untreated, it can lead to serious complications. Early and accurate detection is crucial for timely medical intervention. This research aimed to improve the accuracy of a diabetes classification system using the K-Nearest Neighbors (KNN) algorithm. An initial KNN model with imbalanced data (without SMOTE) and no GridSearchCV achieved only 83% accuracy. While seemingly good, its performance for the positive class was low (precision 80%, recall 69%, F1-score 74%), indicating bias towards the negative class due to data imbalance. To address this, several steps were implemented: data preprocessing (handling missing data and feature normalization), hyperparameter optimization using GridSearchCV, and data balancing with SMOTE. After these improvements, the KNN model showed significant performance gains, with accuracy reaching 94%. Performance for the positive class greatly improved (precision 90%, recall 98%, F1-score 94%), and for the negative class (precision 98%, recall 89%, F1-score 93%). These results demonstrate that combining preprocessing, model optimization, and class balancing effectively enhances the KNN algorithm's ability to detect diabetes more accurately and robustly, proving that machine learning with proper data processing can aid in developing medical decision support systems for early diabetes diagnosis.

Prediksi Hasil Panen Kakao Di Desa Minanga Menggunakan Algoritma Random Forest Regression Rian, Andrian; Irianti, Arnita; Nur, Nahya; Heri, Adi
Journal of Computer and Information System ( J-CIS ) Vol 8 No 1 (2025): J-CIS Vol. 8 No. 1 Tahun 2025
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v8i1.4936

Hasil produksi tanaman kakao di Desa Minanga sering mengalami fluktuasi, baik dalam bentuk penurunan maupun peningkatan yang tidak menentu disetiap musimnya. Kondisi ini berdampak pada ketidakpastian pendapatan, sehingga para petani kesulitan dalam merencanakan keuangan mereka dengan baik. Penelitian ini menggunakan algoritma random forest regression dengan tujuan untuk membantu dalam memprediksi hasil panen kakao pada petani Desa Minanga, dengan menggunakan kriteria luas lahan, jumlah tanaman kakao, jenis bibit, jenis pupuk, hama dan penyakit, penanggulangan hama dan penyakit, tingkat curah hujan, tenaga kerja, dan hasil. Data yang digunakan dalam penelitian ini merupakan data hasil panen kakao dari tahun 2019 hingga 2023, dengan total 2980 data yang akan diolah. Berdasarkan hasil pengujian jumlah pohon yang paling optimal adalah 100 pohon, dengan tingkat akurasi sebesar 98.95% dengan nilai Mean Absolute Percentage Error (MAPE) diperoleh adalah 1.04%, Root Mean Square Error (RMSE) yaitu 6.26 dan Koefisien Determinasi (R2) sebesar 0.99 pada rasio data 80:20. Variabel yang memiliki nilai importance paling tinggi yaitu variabel hama dan penyakit.

Implementasi Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) Pada Sistem Pendukung Keputusan Penentuan Siswa Terbaik di MTs Annur Baiturrahim Fitriani, Fitriani; Wajidi, Farid; Nur, Nahya
Techno.Com Vol. 24 No. 3 (2025): Agustus 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i3.13612

Penilaian siswa terbaik di lingkungan sekolah perlu dilakukan secara objektif dan menyeluruh, dengan mempertimbangkan aspek akademik maupun non-akademik. MTs Annur Baiturrahim merupakan salah satu sekolah yang proses penilaiannya masih dilakukan secara manual tanpa bantuan sistem khusus, sehingga dinilai kurang efisien dan berpotensi menimbulkan penilaian yang subjektif. Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan berbasis web menggunakan metode TOPSIS yang tidak hanya dapat membantu dalam menentukan siswa terbaik secara objektif dan efisien, tetapi juga memperbaiki kelemahan dari penelitian sebelumnya. Sistem ini menggunakan lima kriteria penilaian: pengetahuan, keterampilan, sikap spiritual, sikap sosial, dan kehadiran. Dalam pengembangan sistem digunakan metode prototype, sedangkan pengujian dilakukan melalui Microsoft Excel, black box testing, serta User Acceptance Testing, dengan hasil menunjukkan bahwa sistem berjalan secara optimal dengan tingkat kepuasan pengguna mencapai 90%. Kata Kunci – Pendidikan, Sistem Pendukung Keputusan, Siswa Terbaik, TOPSIS, Web

Implementasi Data Mining menggunakan Algoritma Apriori untuk Menentukan Pola Pembelian Obat di Rumah Sakit Aulia, Novita; Indra; Nur, Nahya
Journal of Computer and Information System ( J-CIS ) Vol 4 No 2 (2021): J-CIS Vol 4 No. 2 Tahun 2021
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v4i2.1259

Data mining merupakan proses untuk mendapatkan informasi yang berguna dari gudang basis data yang berupa ilmu pengetahuan. penelitian ini melakukan analisa data dengan menggunakan data mining dan metode algoritma apriori. Sistem yang dibangun ditujukan untuk pemenuhan dalam penentuan pola pembelian obat dengan menggunakan bahasa pemrograman PHP dan database Mysql pada studi kasus Apotik rumah sakit umum majene. Sistem ini dibangun berdasarkan kebutuhan pengguna yang diperoleh melalui metode wawancara dan studi lapangan dengan jumlah data yang diperoleh yaitu 250 data . Metodelogi pengembangan sistem yang digunakan yaitu metode Research and Development (R & D). yang terdiri Analisis, Desain, Pengkodean dan Pengujian. Hasil pengujian dengan algoritma apriori dan sistem yang dibangun menunjukan hasil yang telah memenuhi kebutuhan dalam penentuan pola pembelian obat di rumah sakit berdasarkan kecenderungan pembelian obat oleh pelanggan

Pengenalan Huruf Aksara Lontara Menggunakan Metode Convolutional Neural Network mustafa, mukhdar; Nur, Nahya; wajidi, farid; Asnan Cirua, A. Amirul; Ismaun
Journal of Computer and Information System ( J-CIS ) Vol 7 No 1 (2024): J-CIS Vol. 7 No. 1 Tahun 2024
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v7i1.3768

Salah satu warisan budaya aksara nusantara, aksara lontara saat ini perlu di lestarikan agar tidak mengalami kepunahan. Beberapa hal yang menyebabkan aksara Lontara ini terancam punah diantaranya adalah tren penggunaan bahasa asing yang didukung oleh pesatnya perkembangan teknologi, serta kurangnya pendidikan dan pembelajaran yang mendukung kelestarian aksara Lontara pada generasi mudaPengenalan huruf aksara lontara menggunakan metode Convolutional Neural Network merupakan suatu sistem yang mampu menegenali huruf aksara lontara secara realtime. Pada penelitian ini menggunakan jenis penelitian eksperimen karena penelitian ini bersifat uji coba dimana penelitian ini menghasilkan suatu sistem pengenalan huruf aksara lontara dengan hasil akhir berupa perhitungan persentase pengujian. Implementasi Convolutional Neural Network sebagai metode yang digunakan untuk mendapatkan model. Berdasarkan tingkat akurasi terhadap model yang di dapatkan pada proses training dengan menggunakan 575 data uji sebanyak 48 data uji yang tidak dapat dikenali oleh sistem dan 527 data yang dapat dikenali dengan persentase sebesar 91.6%. Algoritma CNN sudah cukup baik dalam melakukan pengenalan huruf aksara lontara.

Analisis Sentimen Komentar YouTube terhadap Ganjar Pranowo Pasca Pemilu 2024 dengan Pendekatan Long Short-Term Memory Putri, Haerya; Rensa, Erma; Nur, Nahya; Wajidi, Farid
Journal of Computer and Information System ( J-CIS ) Vol 7 No 2 (2024): J-CIS Vol. 7 No. 2 Tahun 2024
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v7i2.4529

Pemilihan umum 2024 menuai banyak kontroversi, terutama setelah pelaksanaannya pada 14 Februari 2024. Ganjar Pranowo, sebagai salah satu calon presiden, menjadi topik hangat di media sosial, termasuk YouTube. Beragam komentar yang muncul menyulitkan untuk melihat secara keseluruhan apakah komentar tersebut berpihak atau sebaliknya. Kesulitan tersebut menjadi masalah yang perlu diatasi. Penelitian ini bertujuan untuk menganalisis sentimen terhadap Ganjar Pranowo yang ditayangkan pada saluran YouTube Metro TV. Metode yang digunakan adalah Deep Learning dengan model Long Short-Term Memory (LSTM) untuk mengklasifikasikan sentimen positif, netral, atau negatif. Dataset terdiri dari 3.100 komentar yang dikumpulkan melalui YouTube Data API. Proses preprocessing mencakup case folding, text cleaning, stopword removal, normalization, tokenizing, dan stemming. Hasil penelitian menunjukkan bahwa sentimen netral yang lebih banyak pada komentar YouTube dalam menanggapi Ganjar Pranowo pasca pemilu 2024 dengan 1019 komentar, dalam hal ini metode LSTM mampu mengklasifikasi sentimen dengan akurasi sebesar 75%. Evaluasi kinerja model menggunakan metrik accuracy, precision, recall, f1-score serta confusion matrix dan word cloud menunjukkan bahwa model ini efektif dalam memahami dan menganalisis sentimen dari data teks.

Optimasi Algoritma K-Nearest Neighbors pada Prediksi Penyakit Diabetes Arfiah, Sitti; Wajidi, Farid; Nur, Nahya
JURNAL RISET KOMPUTER (JURIKOM) Vol. 12 No. 3 (2025): Juni 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v12i3.8615

Diabetes mellitus is a chronic disease characterized by high blood sugar levels due to metabolic system disturbances, specifically related to insulin production or effectiveness. If left untreated, it can lead to serious complications. Early and accurate detection is crucial for timely medical intervention. This research aimed to improve the accuracy of a diabetes classification system using the K-Nearest Neighbors (KNN) algorithm. An initial KNN model with imbalanced data (without SMOTE) and no GridSearchCV achieved only 83% accuracy. While seemingly good, its performance for the positive class was low (precision 80%, recall 69%, F1-score 74%), indicating bias towards the negative class due to data imbalance. To address this, several steps were implemented: data preprocessing (handling missing data and feature normalization), hyperparameter optimization using GridSearchCV, and data balancing with SMOTE. After these improvements, the KNN model showed significant performance gains, with accuracy reaching 94%. Performance for the positive class greatly improved (precision 90%, recall 98%, F1-score 94%), and for the negative class (precision 98%, recall 89%, F1-score 93%). These results demonstrate that combining preprocessing, model optimization, and class balancing effectively enhances the KNN algorithm's ability to detect diabetes more accurately and robustly, proving that machine learning with proper data processing can aid in developing medical decision support systems for early diabetes diagnosis.

Title

Found 13 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 13 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 13 Documents
Search