Article Per Year (5 Year)
p-Index From 2021 - 2026
2.232
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal IPTEK The Journal for Technology and Science Fountain of Informatics Journal BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Informatika Universitas Pamulang METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi INTEK: Informatika dan Teknologi Informasi Jurnal Teknologi Informasi : Jurnal Keilmuan dan Aplikasi Bidang Teknik Informatika JATI (Jurnal Mahasiswa Teknik Informatika) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Algoritme Jurnal Mahasiswa Teknik Informatika
Haq, Dina Zatusiva
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Library & Information Science Mathematics Mechanical Engineering Physics Transportation Other

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

Found 2 Documents
Search
Journal : Fountain of Informatics Journal

 1 
Enhancing Covid-19 Diagnosis: Glrlm Texture Analysis And Kelm For Lung X-Ray Classification Novitasari, Dian C Rini; Ramadanti , Alvin Nuralif; Haq, Dina Zatusiva
Fountain of Informatics Journal Vol. 9 No. 1 (2024): Mei 2024
Publisher : Universitas Darussalam Gontor

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

Abstract

Abstrak This study aims to diagnose COVID-19 using GLRLM feature extraction, known for its high accuracy, and optimize Kernel Extreme Learning Machine (KELM) with Genetic Algorithm (GA) for improved computational efficiency, along with Principal Component Analysis (PCA) for data reduction. The gamma values in KELM are optimized using GA, yielding the best solution function. Results reveal that at angles of 0°, 45°, and 135°, the optimal gamma value with KELM is 1, while at 90°, GA determines it to be 1.35. This adjustment demonstrates the critical role of gamma values in achieving optimal performance. Performance analysis of various classification methods demonstrates that GLRLM-PCA-Optimized KELM outperforms others, achieving an accuracy exceeding 97%, particularly notable at 90° angles. This study shows that the importance of hyperparameter optimization in enhancing classification accuracy, revealing a significant improvement of over 1% compared to non-optimized models. Kata kunci: COVID-19, GLRLM, KELM, Feature Reduction, PCA   Abstract Penelitian ini bertujuan untuk mendiagnosis COVID-19 menggunakan ekstraksi fitur GLRLM yang dikenal dengan akurasi tinggi, dan mengoptimalkan Kernel Extreme Learning Machine (KELM) dengan Algoritma Genetika (GA) untuk meningkatkan efisiensi komputasi, bersama dengan Principal Component Analysis (PCA) untuk reduksi data. Nilai gamma dalam KELM dioptimalkan menggunakan GA, menghasilkan fungsi solusi terbaik. Hasil penelitian menunjukkan bahwa pada sudut 0°, 45°, dan 135°, nilai gamma optimal dengan KELM adalah 1, sedangkan pada 90°, GA menentukan nilainya menjadi 1,35. Penyesuaian ini menunjukkan peran penting nilai gamma dalam mencapai kinerja optimal. Analisis kinerja berbagai metode klasifikasi menunjukkan bahwa GLRLM-PCA-KELM yang Dioptimalkan mengungguli yang lain, mencapai akurasi lebih dari 97%, terutama mencolok pada sudut 90°. Studi ini menyoroti pentingnya optimasi hyperparameter dalam meningkatkan akurasi klasifikasi, mengungkapkan peningkatan signifikan lebih dari 1% dibandingkan dengan model KELM konvesional. Keywords: COVID-19, GLRLM, KELM, Feature Reduction, PCA
Water Quality Identification Using Ensemble Machine Learning and Hybrid Resampling SMOTE-ENN Algorithm Pratama, Moch Deny; Abdillah, Rifqi; Haq, Dina Zatusiva
Fountain of Informatics Journal Vol. 9 No. 2 (2024): November 2024
Publisher : Universitas Darussalam Gontor

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

Abstract

Abstract Water is essential for all living organisms, yet only a small fraction is fresh and suitable for consumption. The limited availability of freshwater sources, worsened by pollution, overuse, and climate change, underscores the urgent need for sustainable water management. Traditional water quality identification methods are labour-intensive, slow, and costly. Water quality identification often struggles with data quality, imbalanced datasets, and model interpretability. These challenges lead to inaccuracies, especially in detecting minority classes, which is crucial for identifying pollution. This research explores machine learning (ML) techniques to address the limitations of water quality classification by integrating ensemble learning using LightGBM and hybrid Resampling using SMOTE-ENN. Ensemble learning techniques improve accuracy and robustness by aggregating the strengths of multiple models, effectively handling imbalanced data and reducing overfitting. Hybrid Resampling techniques enhance model sensitivity by generating synthetic minority-class samples and refining datasets through noise reduction. Together, these integrations provide a more reliable framework for water quality identification, enabling timely and accurate. This innovative method offers a robust solution for addressing data imbalance and overfitting, ensuring more effective detection of polluted conditions. This study highlights the importance of advanced ML techniques in improving water quality tasks and underscores LightGBM's effectiveness in handling imbalanced data post-SMOTE-ENN application. This method is known for its superior performance, achieving the highest performance evaluation metrics in water quality classification with accuracy, F1-Score, and increasing the recall value by 3% with values ​​of 94.50%, 94.76% and 93.00%, respectively. Keywords: Water Quality, Machine Learning, Imbalanced Data, LightGBM, SMOTE-ENN, Ensemble Learning, Hybrid Resampling.   Abstrak Air sangat penting bagi semua organisme hidup, namun hanya sebagian kecil yang segar dan layak untuk dikonsumsi. Terbatasnya ketersediaan sumber air bersih, yang diperburuk oleh polusi, penggunaan berlebihan, dan perubahan iklim, menggarisbawahi kebutuhan mendesak akan pengelolaan air berkelanjutan. Metode identifikasi kualitas air tradisional memerlukan banyak tenaga kerja, lambat, dan mahal. Identifikasi kualitas air sering kali bermasalah dengan kualitas data, kumpulan data yang tidak seimbang, dan kemampuan interpretasi model. Tantangan-tantangan ini menyebabkan ketidakakuratan, terutama dalam mendeteksi kelompok minoritas, yang sangat penting dalam mengidentifikasi polusi. Penelitian ini mengeksplorasi teknik pembelajaran mesin (ML) untuk mengatasi keterbatasan klasifikasi kualitas air dengan mengintegrasikan pembelajaran ensembel menggunakan LightGBM dan pengambilan sampel hybrid menggunakan SMOTE-ENN. Teknik pembelajaran ensemble meningkatkan akurasi dan ketahanan dengan menggabungkan kekuatan beberapa model, menangani data yang tidak seimbang secara efektif, dan mengurangi overfitting. Teknik pengambilan sampel hibrid meningkatkan sensitivitas model dengan menghasilkan sampel kelas minoritas sintetik dan menyempurnakan kumpulan data melalui pengurangan noise. Bersama-sama, integrasi ini memberikan kerangka kerja yang lebih andal untuk identifikasi kualitas air, sehingga memungkinkan dilakukannya identifikasi secara tepat waktu dan akurat. Metode inovatif ini menawarkan solusi yang kuat untuk mengatasi ketidakseimbangan dan overfitting data, sehingga memastikan deteksi kondisi tercemar dengan lebih efektif. Studi ini menyoroti pentingnya teknik ML tingkat lanjut dalam meningkatkan tugas kualitas air dan menggarisbawahi efektivitas LightGBM dalam menangani data yang tidak seimbang pasca penerapan SMOTE-ENN. Metode ini dikenal dengan kinerjanya yang unggul, mencapai metrik evaluasi kinerja tertinggi dalam klasifikasi kualitas air dengan akurasi, F1-Score, dan meningkatkan nilai recall sebesar 3% dengan nilai masing-masing 94,50%, 94,76% dan 93,00%. Kata kunci: Kualitas Air, Pembelajaran Mesin, Data Ketidakseimbangan, LightGBM, SMOTE-ENN, Pembelajaran Ensemble, Pengambilan Sampel Hibrid.
Co-Authors Abdillah, Rifqi Abdulloh Hamid Adzan, M. Sailul Andriyani , Mayrisa C. R. Novitasari, Dian Chastine Fatichah Hartanto, Salsabila Jannah, Rachma Raudhatul Muhammad Syaifulloh Fattah Muhtadin Billah, Muhammad Novitasari, Dian C Rini Nurwilda , Siti Pratama, Moch Deny Puspitasari, Wahyu Tri Putri Wulandari Ramadanti , Alvin Nuralif Rasyid Al-Hadi, Daud Sari, Dian Candra Rini Novita Sari, Firda Yunita Sholahuddin, Muhammad Zulfikar Sri Wahyuni Wulandari, A’isyah