Article Per Year (5 Year)
p-Index From 2020 - 2025
3.24
P-Index
This Author published in this journals
All Journal Scientific Journal of Informatics Jurnal CoreIT Seminar Nasional Teknologi Informasi Komunikasi dan Industri INOVTEK Polbeng - Seri Informatika JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Information System Journal (INFOS) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Informatika Teknologi dan Sains (Jinteks) Knowbase : International Journal of Knowledge in Database Indonesian Journal of Innovation Multidisipliner Research Bulletin of Informatics and Data Science Jurnal Informatika: Jurnal Pengembangan IT
Elvia Budianita
UIN Suska Riau
Religion Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Information System Journal (INFOS)

 1 
PENERAPAN METODE INFORMATION GAIN DAN LEARNING VECTOR QUANTIZATION 3 PADA KLASIFIKASI PENYAKIT GINJAL Aprima, Muhammad Dzaky; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2117

Abstract

Penyakit Ginjal Kronis (PGK) adalah penyakit yang ditunjukkan dengan turunnya fungsi ginjal yang disebabkan oleh penumpukan sisa metabolik dan berakibat tidak berfungsinya ginjal. Prediksi penyakit ini dengan data mining berperan penting dalam upaya pencegahan penyakit ini. Penelitian ini menerapkan seleksi fitur information gain pada metode Learning Vector Quantization 3 (LVQ3) dalam mengklasifikasikan penyakit ginjal kronis. Pengujian dilakukan 5 skenario pengujian dengan jumlah data sebanyak 1659 data dan 53 atribut. Seleksi fitur menerapkan information gain dengan threshold 0,3 dengan 36 fitur terpilih dan 0,7 dengan 33 fitur terpilih. Model diuji dengan kombinasi parameter learning rate dan window serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-Score. Hasil akurasi tertinggi diperoleh tanpa menerapkan seleksi fitur sebesar 92,77%. Setelah seleksi fitur, akurasi menurun menjadi 86,45%. Kombinasi SMOTE dan seleksi fitur pada threshold 0,3 menurunkan akurasi hingga 81,64%. Hasil penelitian berhasil menerapkan LVQ 3 dalam klasifikasi penyakit ginjal kronis.
IMPLEMENTASI LEARNING VECTOR QUANTIZATION 2 DAN INFORMATION GAIN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS Zabihullah, Fayat; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2118

Abstract

Penyakit ginjal kronis terjadi ketika ginjal gagal mempertahankan metabolisme dan keseimbangan tubuh, serta memiliki risiko kematian yang tinggi. Analisis dan prediksi menggunakan teknik klasifikasi data dapat membantu mengurangi risiko tersebut. Penelitian ini bertujuan untuk mengklasifikasikan penyakit ginjal kronis dengan menggabungkan metode seleksi fitur Information Gain dan algoritma Learning Vector Quantization 2 (LVQ2). Dataset yang digunakan terdiri dari 1.659 data dengan 53 atribut dan 1 label kelas. Tahapan penelitian meliputi preprocessing, seleksi fitur, normalisasi, dan klasifikasi. Seleksi fitur dilakukan berdasarkan nilai Information Gain dengan threshold tertentu. Model diuji dengan kombinasi parameter learning rate dan window, serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh tanpa seleksi fitur dengan akurasi 93,98%. Setelah seleksi fitur, akurasi menurun sedikit menjadi 93,37%. Kombinasi Smote dan seleksi fitur meningkatkan presisi, recall, dan F1 score, namun menurunkan akurasi hingga menjadi 80,00% pada threshold 0,7 dengan fitur terpilih 33.
Co-Authors Adzhima, Fauzan Agustina, Auliyah Akhyar, Amany Al Rasyid, Nabila Alfarabi.B, Alif Aprilia, Tasya Aprima, Muhammad Dzaky Azhima, Mohd Elin Haerani Fadhilah Syafria Fahrozi, Aqshol Al Faska, Ridho Mahardika Febi Yanto, Febi Fitri Insani Fitri, Anisa Gusti, Siska Kurnia Guswanti, Widya Habibi, M. Ilham Iis Afrianty Indah Wulandari Iwan Iskandar Jasril Jasril Khair, Nada Tsawaabul Kurnia Gusti, Siska Lestari Handayani Ma'rifah, Laila Alfi Masaugi, Fathan Fanrita Mazdavilaya, T Kaisyarendika Nazir, Alwis Permata, Rizkiya Indah Putri, Widya Maulida Ramadani, Repi Ramadhani, Astrid Ramadhani, Siti Siti Sri Rahayu Suwanto Sanjaya Syahputra, Armadani Ulti Desi Arni, Ulti Desi Yusra, Yusra Zabihullah, Fayat Zulastri, Zulastri