Article Per Year (5 Year)
p-Index From 2021 - 2026
4.799
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering International Journal of Advances in Applied Sciences Jurnal Ilmu Komputer Jurnal Sains dan Teknologi EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnas Nasional Teknologi dan Sistem Informasi Infotech Journal Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Sistemasi: Jurnal Sistem Informasi Jurnal Teknologi dan Sistem Komputer Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Jurnal Informatika Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial Jurnal Pilar Nusa Mandiri JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Tekno Insentif Indonesian Journal of Electrical Engineering and Computer Science JIKA (Jurnal Informatika) Jurnal Responsif : Riset Sains dan Informatika Djtechno: Jurnal Teknologi Informasi Jurnal Ilmiah Teknik Informatika dan Komunikasi Jurnal Sistem Informasi dan Ilmu Komputer Jurnal Informatika Polinema (JIP)
Toni Arifin
Universitas Adhirajasa Reswara Sanjaya
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Neuroscience Physics Social Sciences Transportation

Published : 57 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 57 Documents
Search

 2   3   4   5   6 
OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN SELEKSI FITUR RANDOM FOREST DAN HYPERPARAMETER GRIDSEARCHCV UNTUK KLASIFIKASI RAISIN DATASET Anugrah, Gregian Bayu; Arifin, Toni
Djtechno: Jurnal Teknologi Informasi Vol 6, No 2 (2025): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v6i2.7008

Abstract

Raisin (kismis) merupakan buah kering yang memiliki nilai kandungan gizi yang tinggi dan kaya akan serat. Seiring dengan meningkatnya produksi global, kebutuhan akan sistem klasifikasi otomatis yang akurat menjadi semakin krusial untuk efisiensi industri. Proses klasifikasi manual dinilai tidak efisien, memakan waktu, serta rawan kesalahan manusia, sehingga diperlukan pendekatan berbasis kecerdasan buatan. Penelitian ini bertujuan untuk mengoptimalkan model klasifikasi Support Vector Machine (SVM) dengan penerapan seleksi fitur menggunakan algoritma Random Forest dan optimasi hyperparameter menggunakan GridSearchCV. Dataset yang digunakan adalah Raisin Dataset dari UCI Machine Learning Repository yang terdiri dari 900 sampel dua jenis raisin, yaitu Kecimen dan Besni, masing-masing memiliki tujuh fitur numerik morfologis. Hasil evaluasi menunjukkan bahwa model SVM yang telah dioptimasi mampu mencapai akurasi sebesar 90.00% dan nilai AUC 0,9388. Temuan ini menunjukkan bahwa kombinasi seleksi fitur dan optimasi hyperparameter dapat meningkatkan kinerja model klasifikasi. Penelitian ini juga memiliki perbedaan dari studi sebelumnya dalam hal objek, waktu pelaksanaan, literatur, pendekatan teori, serta hasil akhir yang diperoleh. Pendekatan ini memperkuat pemanfaatan machine learning dalam sektor agroindustri dan membuka peluang pengembangan sistem klasifikasi pangan yang lebih efisien dan presisi.
Breast cancer identification using a hybrid machine learning system Arifin, Toni; Agung, Ignatius Wiseto Prasetyo; Junianto, Erfian; Agustin, Dari Dianata; Wibowo, Ilham Rachmat; Rachman, Rizal
International Journal of Electrical and Computer Engineering (IJECE) Vol 15, No 4: August 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijece.v15i4.pp3928-3937

Abstract

Breast cancer remains one of the most prevalent malignancies among women and is frequently diagnosed at an advanced stage. Early detection is critical to improving patient prognosis and survival rates. Messenger ribonucleic acid (mRNA) gene expression data, which captures the molecular alterations in cancer cells, offers a promising avenue for enhancing diagnostic accuracy. The objective of this study is to develop a machine learning-based model for breast cancer detection using mRNA gene expression profiles. To achieve this, we implemented a hybrid machine learning system (HMLS) that integrates classification algorithms with feature selection and extraction techniques. This approach enables the effective handling of heterogeneous and high-dimensional genomic data, such as mRNA expression datasets, while simultaneously reducing dimensionality without sacrificing critical information. The classification algorithms applied in this study include support vector machine (SVM), random forest (RF), naïve Bayes (NB), k-nearest neighbors (KNN), extra trees classifier (ETC), and logistic regression (LR). Feature selection was conducted using analysis of variance (ANOVA), mutual information (MI), ETC, LR, whereas principal component analysis (PCA) was employed for feature extraction. The performance of the proposed model was evaluated using standard metrics, including recall, F1-score, and accuracy. Experimental results demonstrate that the combination of the SVM classifier with MI feature selection outperformed other configurations and conventional machine learning approaches, achieving a classification accuracy of 99.4%.
Prediksi Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Pendekatan Machine Learning dengan Optimasi GridSearchCV Mulyani, Sri; Arifin, Toni
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7938

Abstract

Gagal jantung menjadi salah satu penyebab utama tingginya angka kematian secara global, termasuk di Indonesia. Deteksi dini sangat krusial untuk mencegah progresivitas penyakit, tetapi pendekatan konvensional kerap memiliki keterbatasan akurasi. Penelitian ini memiliki tujuan untuk meningkatkan akurasi prediksi terhadap kelangsungan hidup pasien dengan kondisi gagal jantung melalui proses optimasi algoritma Machine Learning menggunakan teknik penyesuaian hiperparameter Grid SearchCV. Dataset yang digunakan berasal dari Heart Failure Clinical Records Dataset yang tersedia di UCI Machine Learning Repository, mencakup 299 data rekam medis pasien dengan 13 atribut klinis. Penelitian ini menggunakan enam algoritma klasifikasi, yang terdiri dari Random Forest, Decision Tree, Neural Network, K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), dan Naïve Bayes. Hasil evaluasi menunjukkan bahwa algoritma Random Forest menghasilkan akurasi tertinggi, yaitu sebesar 87%, sebelum dilakukan proses optimasi. Peningkatan performa dicapai dengan Grid SearchCV, menghasilkan akurasi akhir sebesar 95%. Temuan ini membuktikan bahwa optimasi Hyperparameter mampu meningkatkan kinerja model secara signifikan. Implementasi hasil penelitian dapat mendukung rumah sakit dan layanan kesehatan dalam meningkatkan ketepatan diagnosis dini serta pemantauan pasien. Selain itu, studi ini menjadi referensi pengembangan sistem prediksi medis berbasis Machine Learning yang lebih mutakhir di masa depan.
Perbandingan Arsitektur CNN Berbasis Transfer Learning untuk Klasifikasi pada BreastMNIST Adzkia, Sazila Azka; Arifin, Toni
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.192-200

Abstract

Breast cancer is one of the leading causes of death among women, especially in developing countries like Indonesia. Early detection is very important to increase the cure rate and decrease the mortality rate. This research aims to improve its ability to identify cancer tumors by maximizing the recall value and comparing various transfer learning-based Convolutional Neural Network (CNN) models to find the most optimal model. The CNN architectures studied in this research include MobileNetV2, ResNet50, VGG16, and AlexNet. All models were applied to the BreastMNIST dataset, which consists of ultrasound images with two classes, benign and malignant. Transfer learning was used to overcome the challenge of limited availability of pre-labeled medical image data. The model performance was thoroughly evaluated using accuracy, precision, recall, F1-score and Area Under Curve (AUC) metrics. The results showed that MobileNetV2 provided superior performance with an accuracy of 91.14%, recall of 94%, precision of 93%, F1-score of 94%, and AUC of 0.9607. These findings indicate that the transfer learning-based MobileNetV2 is highly effective in detecting malignant tumors and is the most optimal architecture in this study.
IMPLEMENTASI GREEDY FORWARD SELECTION UNTUK PREDIKSI METODE PENYAKIT KUTIL MENGGUNAKAN DECISION TREE Fitriyani, Fitriyani; Arifin, Toni
JST (Jurnal Sains dan Teknologi) Vol. 9 No. 1 (2020)
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (291.575 KB) | DOI: 10.23887/jstundiksha.v9i1.24896

Abstract

Penyakit kutil dapat ditangani dengan berbagai metode seperti cryotherapy dan  immunotherapy, akan tetapi dokter belum mengetahui metode pengobatan yang paling tepat untuk pasien, sehingga diperlukan pengujian agar dapat diketahui metode yang paling tepat untuk pasien. Penelitian ini menggunakan dataset cryotherapy dan immunotherapy dengan menggunakan algoritma klasifikasi Decision Tree. Pada dataset ini terdapat atribut atau fitur yang tidak relevan sehingga dilakukan seleksi fitur menggunakan Greedy Forward Selection. Hasil penelitian ini akan dilakukan perbandingan kinerja dari algoritma Decision Tree tanpa seleksi fitur Greedy Forward Selection dengan Decision Tree yang di integrasikan pada seleksi fitur Greedy Forward Selection dan pemilihan metode pengobatan penyakit kutil yang terbaik.
Use of Augmentation Data and Hyperparameter Tuning in Batik Type Classification using the CNN Model Auliaddina, Siti; Arifin, Toni
Sistemasi: Jurnal Sistem Informasi Vol 13, No 1 (2024): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v13i1.3395

Abstract

Batik is one of Indonesia's most recognized artistic cultures in the world and has different motifs and types of traditional batik and each has its own uniqueness. But unfortunately, there are still so many Indonesian people who cannot distinguish the types of batik based on their motifs. That's why we need a way to help people easily be able to distinguish the types of batik based on their motifs. This research was conducted to classify types of batik based on their motifs using the Convolutional Neural Network deep learning model using Data Augmentation and Hyperparameter Tuning. CNN is included in the type of Deep Neural Network because of its high network depth and is widely applied to image data. Besides that, Data Augmentation and Hyperparameter Tuning are also applied to reduce overfitting. The results of this study show that the CNN model that uses Data Augmentation optimization and Hyperparameter Tuning gets a much higher accuracy, precision and recall value of 66.67% compared to the CNN mode that does not use Data Augmentation and Hyperparameter Tuning which has validation accuracy, precision , and recall of 28.15%. Besides that, among Data Augmentation and Hyperparameter Tuning, Data Augmentation is the one that most influences the increase in validation accuracy, precision, and recall compared to Hyperparameter Tuning with an increase in validation accuracy to 64% from a validation accuracy of 28.15%.
SISTEM MONITORING DAN KONTROL PEMBERIAN PAKAN IKAN BERBASIS IOT MENGGUNAKAN BLYNK Risman, Risman; Rachman, Rizal; Arifin, Toni
Jurnal RESPONSIF: Riset Sains & Informatika Vol 6 No 2 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i2.1627

Abstract

Dalam era modern, permintaan akan sistem otomatis pemberian pakan ikan berbasis IoT semakin tinggi. Penelitian ini bertujuan mengembangkan sistem monitoring dan kontrol pemberian pakan ikan berbasis NodeMCU ESP8266 dan aplikasi Blynk. Sistem ini menggunakan servo untuk pemberian pakan otomatis dan manual melalui Blynk. Uji coba menunjukkan performa baik, sistem responsif merespons perintah pengguna dari jarak jauh. Akurasi gerakan servo mencapai 100%, mengindikasikan kualitas sistem yang kuat. Penelitian menyimpulkan bahwa sistem ini dapat dioperasikan secara efisien oleh pengguna dari jarak jauh melalui Blynk. Sistem ini berpotensi mengelola pemberian pakan ikan secara optimal, mendukung pertumbuhan dan kesehatan ikan. Dalam perkembangan teknologi, sistem ini membuka peluang baru dalam menjaga keberlangsungan akuakultur dengan pendekatan yang lebih pintar dan terhubung secara digital.
Co-Authors Ade Mubarok Adi Suparwo Adzkia, Sazila Azka Agustin, Dari Dianata Al Huda Ramadhan Ali Akbar Rismayadi Ani Solihat Anugrah, Gregian Bayu Asri Dwi Andini Asti Herliana, Asti Auliaddina, Siti Chusi Yanasari Daniel Ariesta Dwi Ariyandi Dwiza Riana Dwiza Riana Elin Sopiah Erfian Junianto Fahmi Permadi Achmad Fajar Nugraha Fakhri Habib Hawari Farizul Ma’arif Faslah Fadillah Fitriyani Fitriyani Fitriyani Fitriyani Fitriyani Fitriyani Gita Indah Hapsari Hendi Suhendi Hilda Farida Husniah Iedam Fardian Anshori, Iedam Fardian Ignatius Wiseto Prasetyo Agung Ihsan Mudzakir Imam Muhammad Mannar Shahih Insan Cahya Setia Maksum, Muhamad Shidiq Maya Nurjanah Mayangsari, Ariefa Diah Mayya Nurbayanti Shobary Muhamad Revin Reginal Harahap Muhamad Rifqi Alviandi Naufal Hidayah Surya Nur Huzumah Prasetya, Muhamad Azril Budi Prasetyo Agung, Ignatius Wiseto Rabbani, Muhammad Ihsan Rahayu Febryani Rahmaniza Maulana Rahmawati Rangga Sanjaya Rina Resmiati Risman Risman Rizal Rachman, Rizal Rizki Tri Prasetio Rohidin, Rifki Siti Syalwah Sri Mulyani Suhadi, Enda Syarif Hidayatulloh Taufik Hidayatulloh Tiara Nurwulandari Tiki Ramdhani Tyas Widyani Pratiwi Wibowo, Ilham Rachmat Wildan Wiguna Wira Sanjaya Yudi Ramdhani