Article Per Year (5 Year)
p-Index From 2020 - 2025
0.778
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Info Persadha Journal of Technology Research in Information System and Engineering
Iwan Binanto
Unknown Affiliation
Computer Science & IT Engineering Library & Information Science Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Teknologi RFID (Radio Frequency Indentification) untuk kartu anggota perpustakaan universitas Binanto, Iwan
Info Persadha Vol 6, No 2 (2008)
Publisher : Universitas Sanata Dharma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (687.695 KB)

Abstract

no abstrack
Teknologi RFID (Radio Frequency Indentification) untuk kartu anggota perpustakaan universitas Iwan Binanto
Info Persadha Vol 6, No 2 (2008)
Publisher : Universitas Sanata Dharma Yogyakarta

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

Abstract

no abstrack
ANALISIS PERBANDINGAN ALGORITMA KNN, GAUSSIAN NAIVE BAYES, RANDOM FOREST UNTUK DATA TIDAK SEIMBANG DAN DATA YANG DISEIMBANGKAN DENGAN METODE TOMEK LINK UNDERSAMPLING PADA DATASET LCMS TANAMAN KELADI TIKUS Iwan Binanto; Nesti Fronika Sianipar; Ni Made Dina Aprilianti; Jeanytha Gein; Patricia Dian Paska
Prosiding Sains Nasional dan Teknologi Vol 13, No 1 (2023): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 2023
Publisher : Fakultas Teknik Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/psnst.v13i1.9002

Abstract

Data tidak seimbang adalah data yang mempunyai kelas mayoritas dan kelas minoritas dalam hal ini merupakan kelas target karena satu kelas melebihi jumlah kelas lain dalam dataset. Salah satu data tidak seimbang didapat pada penelitian Binanto, et. al. yang merupakan data LCMS dari tanaman Keladi Tikus hasil penelitian Sianipar et. al. Data ini tidak seimbang karena target biner yang menyatakan senyawa anti kanker dan senyawa biasa sangat kontras. Penelitian ini bertujuan untuk mengevaluasi potensi tanaman keladi tikus dalam pengobatan penyakit serta menjelaskan mekanisme yang mungkin terlibat. Untuk itu diperlukannya sebuah metode klasifikasi dokumen yang dapat mengelompokkan secara otomatis dan akurat. Terdapat banyak metode klasifikasi yang dapat digunakan. Metode yang digunakan dalam penelitian ini adalah Naive Bayes, Random Forest, dan KNN serta digunakan pula Algoritma Tomek Link Undersampling untuk menyeimbangkan data. Dari penelitian ini didapatkan bahwa Algoritma Random Forest merupakan algoritma yang paling tepat untuk menyelesaikan permasalahan Imbalanced Data maupun Balanced Data dengan menggunakan Tomek Links Undersampling karena algoritma ini memiliki nilai accuracy, precision, recall dan F1-Score yang tinggi dibanding algoritma lainnya.
KLASIFIKASI SENYAWA KELADI TIKUS MENGGUNAKAN ALGORITMA KNN, GAUSSIAN NAÏVE BAYES DENGAN MENERAPKAN IMBALANCE DATA BORDERLINE SMOTE Iwan Binanto; Nesti Fronika Sianipar; Frista Dea; Margareta Navi Primadani; Theresia Winnie Kartikasari
Prosiding Sains Nasional dan Teknologi Vol 13, No 1 (2023): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 2023
Publisher : Fakultas Teknik Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/psnst.v13i1.9005

Abstract

Data seimbang atau imbalanced data merupakan keadaan di mana distribusi kelas data yang tidak seimbang yaitu jumlah data yang satu lebih sedikit atau lebih banyak dari kelas lainnya. Menangani data yang tidak seimbang telah menjadi tantangan besar selama dua dekade terakhir. Keseimbangan data merupakan faktor yang penting untuk diperhatikan, karena mempengaruhi hasil yang diperoleh. Penelitian ini bertujuan untuk melakukan perbandingan metode antara KNN, Gaussian Naïve Bayes, dan Random Forest untuk menentukan metode yang paling baik  berdasarkan data tanaman keladi tikus. Data yang tidak seimbang akan diseimbangkan dengan menggunakan metode oversampling yaitu Borderline-SMOTE. Dari penelitian yang telah dilakukan, algoritma KNN, Gaussian Naïve Bayes, dan Random Forest pada data yang sebenarnya (belum seimbang) menghasilkan nilai akurasi berturut-turut sebesar 0.984, 0.985, dan 1. Sedangkan pada data yang sudah diseimbangkan menghasilkan akurasi berturut-turut adalah sebesar 0.967, 0.499, dan 0.984. Algoritma random forest dapat mengklasifikasikan data yang seimbang dan belum seimbang dengan baik dibandingkan dengan algoritma yang lain. Hal ini karena algoritma random forest menghasilkan score akurasi, recall, F1-score, dan Precission yang tinggi dibanding dengan algoritma KNN dan Gaussian Naive Bayes pada data yang unbalance maupun balance.
PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN SUPPORT VECTOR MACHINE TERHADAP DATASET RESIKO KANKER SERVIKS Binanto, Iwan; B, Jesly Putri Kristiani; Leokadja, Louisa
JTRISTE Vol 11 No 1 (2024): JTRISTE
Publisher : STMIK KHARISMA Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55645/jtriste.v11i1.507

Abstract

Cervical cancer is a significant global health issue, representing a type of cancer that develops from the cells of the cervix. This research focuses on comparing the effectiveness of two classification methods, namely Random Forest (RF) and Support Vector Machine (SVM), in assessing the risk of cervical cancer. Utilizing relevant datasets, the study aims to identify the strengths and weaknesses of each method and evaluate their ability to provide predictions of cervical cancer risk. Through comparative analysis, it is anticipated that this research will offer valuable insights for the development of more efficient methods for assessing the risk of cervical cancer. The results of this study are expected to contribute to a deeper understanding of the performance comparison between Random Forest and SVM in the context of assessing the risk of cervical cancer, opening opportunities for the optimal application of classification methods in efforts for the prevention and early detection of this disease.
PERBANDINGAN ALGORITMA RANDOM FOREST DAN ARTIFICIAL NEURAL NETWORK UNTUK DATASET WATER POTABILITY Binanto, Iwan; Mali, M. Rizky Fajar; N, Basilius Arilla Dimas; Jaya, Ajitama
JTRISTE Vol 11 No 1 (2024): JTRISTE
Publisher : STMIK KHARISMA Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55645/jtriste.v11i1.510

Abstract

Water is an important element that is a basic need for the survival of all living things. Currently, public awareness about the importance of good quality water is increasing. This is due to a wider understanding of the health impacts of unclean water. Water that is clean and safe to use not only has a positive impact on our health, but also on various aspects of daily life. Therefore, research on the quality and suitability of water for consumption is very important. The aim of this research is to determine the best method for comparing water quality for suitability for consumption. This research compares two machine learning methods, namely Random Forest and Artificial Neural Network (ANN) based on attributes for the suitability of drinking water, namely: PH, hardness, solids, chloramines, sulfate, conductivity, organic carbon, trihalomethanes, turbidity and potability. The research results show that the Random Forest algorithm has an accuracy rate of 67.823%, while the Artificial Neural Network (ANN) algorithm achieves an accuracy of 61.014%. From these results, it can be concluded that the Random Forest algorithm has higher accuracy compared to Artificial Neural Network (ANN).
Co-Authors B, Jesly Putri Kristiani Frista Dea Jaya, Ajitama Jeanytha Gein Leokadja, Louisa Mali, M. Rizky Fajar Margareta Navi Primadani N, Basilius Arilla Dimas Nesti Fronika Sianipar Ni Made Dina Aprilianti Patricia Dian Paska Theresia Winnie Kartikasari