Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Cipasung Techno Pesantren: Scientific Journal
Fathah, Adittia
Unknown Affiliation
Computer Science & IT Engineering Environmental Science Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Kajian Data Mining untuk Klasifikasi Gender Menggunakan Data Wajah dengan Algoritma Naive Bayes dan K Nearest Neighbor (KNN) Fathah, Adittia; Juliane, Christina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 1: Februari 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128724

Abstract

Identifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainnya adalah penambahan gender “X” pada aplikasi permohonan passport di Amerika dan beredarnya foto palsu yang diedit dengan aplikasi FaceApp. Kejadian tersebut menyebabkan perlunya membuat model yang bisa melakukan klasifikasi gender agar gender asli dari seseorang bisa diketahui. Penelitian dilakukan dengan mencari model yang bisa mengklasifikasikan gender. Caranya adalah dengan membandingkan hasil akurasi dua algoritma yaitu Naïve Bayes dan KNN (K Nearest Neighbor). Metode yang digunakan mengikuti tahapan dalam KDD (Knowledge Discovery in Database). Atribut yang dipakai adalah bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir. Akurasi kedua algoritma diuji dengan metode Cross Validation dan Confusion Matrix. Tujuan penelitian ini adalah memastikan apakah atribut wajah dapat digunakan untuk klasifikasi gender serta menentukan model yang lebih baik antara Naïve Bayes atau KNN. Hasil pengujian menunjukkan, kedua algoritma memiliki akurasi yang sangat baik. Namun algoritma Naïve Bayes memiliki nillai AUC yang lebih tinggi yaitu 0,996 dibanding algoritma KNN yang memiliki nilai AUC sebesar 0,992. Berdasarkan nilai tersebut, atribut bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir dapat digunakan untuk klasifiikasi gender, karena bisa menghasilkan akurasi yang baik. Namun, model Naïve Bayes lebih direkomendasikan karena nilai akurasinya lebih tinggi dan stabil. 
Penerapan Clustering Pada Data Perceraian di Indonesia Menggunakan Algoritma BIRCH Fathah, Adittia
Cipasung Techno Pesantren: Jurnal Ilmiah Vol 19 No 2 (2025): Vol. 19 No. 2 (2025): Cipasung Techno Pesantren: Scientific Journal
Publisher : LPPM Sekolah Tinggi Teknologi Cipasung

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

Abstract

Divorce is one of the social issues that has an impact on life, from adults to children. Divorce is influenced by many factors, ranging from economics, incompatibility, to the availability of technology. Therefore, appropriate efforts are needed to reduce the divorce rate. One approach that can be used is clustering using the BIRCH (Balanced Iterative Reducing and Clustering Using Hierarcics) algorithm based on divorce factors across all provinces in Indonesia. The study utilised 10 clusters, ranging from cluster 0 to 9. The research method employed was KDD. Data processing was conducted using Google Colab with the Python programming language. Based on the clustering results, different dominant factors were identified for each cluster. Cluster 2 has the most members, with 6 provinces, where the causes of divorce are abandonment by the spouse and gambling. This study produced a system for applying the BIRCH algorithm to divorce data, which can serve as a reference for the government to reduce divorce rates based on triggering factors in each region.
Co-Authors Christina Juliane, Christina