Article Per Year (5 Year)
p-Index From 2021 - 2026
1.235
P-Index
This Author published in this journals
All Journal JURNAL SISTEM INFORMASI BISNIS SITEKIN: Jurnal Sains, Teknologi dan Industri Riau Journal of Computer Science Proceeding of the Electrical Engineering Computer Science and Informatics Jurnal CoreIT JURNAL INSTEK (Informatika Sains dan Teknologi) Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi Bulletin of Computer Science Research Tedc
Rahmad Abdillah
Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau
Religion Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry 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 Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Veterinary Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
EVALUASI PERBANDINGAN PERFORMANSI LVQ 1, LVQ 2, DAN LVQ 3 DALAM KLASIFIKASI JENIS KELAMIN MENGGUNAKAN TULANG TENGKORAK DARMILA; IIS AFRIANTY; SUWANTO SANJAYA; RAHMAD ABDILLAH; IWAN ISKANDAR; FADHILAH SYAFRIA
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 7 No 2 (2022): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v7i2.32659

Abstract

Klasifikasi merupakan teknik pengelompokkan data sesuai dengan karakteristik data yang telah ditentukan. Hasil performansi akurasi dapat menjadi ukuran keakuratan metode yang digunakan dalam proses klasifikasi. Teknik pengambilan data yang tidak sesuai dapat mengurangi hasil akurasi. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ) 1, 2, dan 3 untuk melihat keakuratan metode klasifikasi dengan menggunakan teknik pengambilan data sampling. Data yang digunakan merupakan data pengukuran tulang tengkorak laki-laki dan perempuan yang berjumlah 2524 data. Pada LVQ 1 mendapatkan akurasi terbaik yaitu 91.39% dengan learning rate 0.1, 0.4, 0.7, 0.9. LVQ 2 mendapatkan akurasi terbaik 77.05% dengan learning rate 0.9 dan window 0.2. LVQ 3 mendapatkan akurasi terbaik yaitu 80.04% dengan learning rate 0.7, window 0.1, dan epsilon 0.3. Hal ini menunjukkan bahwa LVQ 1 lebih tepat untuk diterapkan terhadap multi-fitur pada dataset William W. Howells Craniometric dibandingkan LVQ 2 dan LVQ 3.
PERBANDINGAN PERFORMANSI DENGAN METODE CORRELATION BASED FEATURE SELECTION PADA LVQ 2 SURYA ADITYA GD; IIS AFRIANTY; SUWANTO SANJAYA; RAHMAD ABDILLAH; LESTARI HANDAYANI; FITRI INSANI
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 8 No 1 (2023): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v8i1.37301

Abstract

Melakukan sebuah penelitian diperlukannya mengidentifikasi sebuah data yang sesuai dengan melakukan sebuah klasifikasi. Pengaruh dalam mendapatkan hasil akurasi yang maksimal dengan menentukan teknik penelitian secara tepat melalui proses klasifikasi. Pada penelitian ini melakukan perbandingan peningkatan performansi akurasi akurasi LVQ 2 dengan mengimplementasikan Correlation Based Feature Selection (CFS) pada dataset bertujuan keakuratan pengambilan data sampel dengan metode klasifikasi. Data parameter tulang tengkorak yang digunakan yaitu data pria dan wanita dengan jumlah data 2524 dan fitur 82. Penelitian LVQ 2 tanpa CFS dengan nilai learning rate (α) = 0.9 dan window 0.2 yang akurasi tertingginya memperoleh sebesar 77.05%, dan menggunakan CFS pada nilai α = 0.9 dan window = 0.3 hasil akurasi tertinggi yaitu 82,51%. Hal ini menunjukkan bahwa LVQ 2 menggunakan CFS sangat direkomendasikan baik dari segi performansi terhadap pada dataset Tengkorak dibandingkan LVQ 2 tanpa menggunakan CFS.
PENERAPAN TEKNIK SMOTE PADA KLASIFIKASI PENYAKIT STROKE DENGAN ALGORITMA SUPPORT VECTOR MACHINE Pasiolo, Lugas; Afrianty, Iis; Budianita, Elvia; Abdillah, Rahmad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24731

Abstract

Stroke adalah kondisi darurat medis yang dapat menyebabkan kerusakan otak atau kematian. Deteksi dini dan klasifikasi risiko stroke sangat penting untuk pencegahan dan penanganannya. Penelitian ini menggunakan dataset sebanyak 5110 data untuk meningkatkan akurasi klasifikasi stroke dengan algoritma Support Vector Machine (SVM) pada data tidak seimbang. Teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan untuk menyeimbangkan data stroke dan non-stroke, yang dapat meningkatkan performa model. SVM diuji dengan berbagai kernel, yaitu Linear, RBF, Polynomial, dan Sigmoid, serta variasi parameter pada masing-masing kernel untuk mencari konfigurasi optimal. Hasil pengujian menunjukkan penerapan SMOTE meningkatkan akurasi, presisi, dan recall, dengan kernel RBF mencapai akurasi tertinggi 92% pada parameter Cost 100 dan Gamma 1. Temuan ini menunjukkan bahwa penggunaan SMOTE dan optimasi parameter SVM dapat menghasilkan model klasifikasi yang lebih efektif dalam mendeteksi risiko stroke pada data tidak seimbang.
PENERAPAN METODE LOGISTIC REGRESSION UNTUK KLASIFIKASI SENTIMEN PADA DATASET TWITTER TERBATAS Putri, Adilah Atikah; Agustian, Surya; Abdillah, Rahmad; Pizaini, Pizaini
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24804

Abstract

Kecepatan dan akurasi menjadi semakin penting dalam analisis sentimen publik, terutama di media sosial seperti Twitter, yang sering digunakan untuk menyampaikan opini terkait berbagai isu terkini. Penelitian ini mengaplikasikan metode Logistic Regression untuk klasifikasi sentimen pada dataset terbatas yang terdiri dari 300 sampel, yang dikategorikan menjadi sentimen positif, negatif, dan netral. Studi kasus mengeksplorasi respons masyarakat terhadap pengangkatan Kaesang Pangarep sebagai Ketua Umum Partai Solidaritas Indonesia (PSI) di Twitter. Data eksternal dari vaksinasi COVID-19 dan topik umum (open topic) digunakan dalam penelitian ini untuk meningkatkan proses klasifikasi. Metode TF-IDF digunakan untuk meningkatkan representasi teks. Grid Search digunakan untuk mengoptimalkan hyperparameter model. Evaluasi dilakukan menggunakan metrik F1-score untuk mengukur precision dan recall. Hasil baseline menunjukkan F1-score sebesar 40,83%, sementara berdasarkan hasil eksperimen yang dilakukan optimasi menghasilkan peningkatan hingga 52,68% dengan akurasi 61,76% pada eksperimen terbaik (C7). Penelitian ini menunjukkan bahwa metode Logistic Regression yang dioptimalkan dapat melakukan klasifikasi dengan dataset terbatas, yang relevan untuk analisis sentimen.
Co-Authors Anggraini, Wresni Darmila Elvia Budianita Fadhilah Syafria Febi Yanto Fernando, Yendri Ikhlas Fitri Insani Fitri Insani Fitri Insani Harni, Yulia Iis Afrianty Iis Afrianty Insani, Fitri Iwan Iskandar Muhammad Fahri Najwa, Nina Fadilah Okfalisa Okfalisa Okfalisa Okfalisa Okfalisa, Okfalisa Pasiolo, Lugas Pizaini Pizaini Putri, Adilah Atikah Reski Mai Candra Saktioto Saktioto Simaremare, Harris Simaremare SURYA ADITYA GD Surya Agustian Suwanto Sanjaya Wresni Anggraini