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 : Jurnal Informatika: Jurnal Pengembangan IT

 1 
Perbandingan Inisialisasi Bobot Random dan Nguyen-Widrow Pada Backpropagation Dalam Klasifikasi Penyakit Diabetes Guswanti, Widya; afrianty, iis; budianita, elvia; syafria, fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8618

Abstract

Diabetes is a metabolic disorder that occurs when the pancreas is unable to produce adequate amounts of insulin or the body has difficulty in utilizing it optimally. This condition has the potential to cause various health complications. Therefore, early diagnosis of diabetes is very important to reduce the mortality rate due to these complications. Backpropagation Neural Network (BPNN) is an approach in Artificial Neural Network (ANN) that is commonly applied for disease classification, including diabetes. However, the BPNN method has drawbacks, namely its slow convergence rate and the possibility of getting stuck at a local minimum due to random weight initialization. To overcome these problems, this study applies the Nguyen-Widrow weight initialization method to improve the performance of BPNN in diabetes classification. The data source in this study comes from Kaggle, consisting of 768 data with 8 parameters. Model testing was conducted using k-fold cross-validation with K=10, and exploring various numbers of neurons in the hidden layer and learning rate (lr). The results showed that weight initialization using the Nguyen-Widrow method improved the accuracy of BPNN compared to random weight initialization. The best model was obtained with lr 0.001 and 15 neurons in the hidden layer, resulting in an accuracy of 91.23%, higher than the random weight initialization which only reached 89.91%. Thus, the Nguyen-Widrow method is proven effective in improving the performance of BPNN for diabetes classification.Diabetes merupakan gangguan metabolik yang terjadi ketika pankreas tidak mampu menghasilkan insulin dalam jumlah yang memadai atau tubuh mengalami kesulitan dalam memanfaatkannya secara optimal. Kondisi ini berpotensi menimbulkan beragam komplikasi kesehatan. Oleh karena itu, diagnosis dini penyakit diabetes sangat penting untuk menekan angka kematian akibat komplikasi tersebut. Backpropagation Neural Network (BPNN) adalah pendekatan dalam Jaringan Syaraf Tiruan (JST) yang umum diterapkan untuk klasifikasi penyakit, termasuk diabetes. Namun, metode BPNN memiliki kekurangan, yaitu laju konvergensinya yang lambat dan kemungkinan terjebak pada minimum lokal akibat inisialisasi bobot yang dilakukan secara random. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode inisialisasi bobot Nguyen-Widrow guna meningkatkan performa BPNN dalam klasifikasi diabetes. Sumber data dalam penelitian ini berasal dari Kaggle, terdiri dari 768 data dengan 8 parameter. Pengujian model dilakukan menggunakan k-fold cross-validation dengan K=10, serta mengeksplorasi berbagai jumlah neuron dalam hidden layer dan learning rate (lr). Hasil penelitian menunjukkan bahwa inisialisasi bobot menggunakan metode Nguyen-Widrow meningkatkan akurasi BPNN dibandingkan dengan inisialisasi bobot random. Model terbaik diperoleh dengan lr 0,001 dan 15 neuron pada hidden layer, menghasilkan akurasi sebesar 91,23%, lebih tinggi dibandingkan inisialisasi bobot random yang hanya mencapai 89,91%. Dengan demikian, metode Nguyen-Widrow terbukti efektif dalam meningkatkan performa BPNN untuk klasifikasi diabetes.
Klasifikasi Tulang Tengkorak Berdasarkan Jenis Kelamin Menggunakan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) Ma'rifah, Laila Alfi; Afrianty, Iis; Budianita, Elvia; Syafria, Fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8616

Abstract

Abstract – In forensic anthropology, sex identification is the initial step in individual identification, with a probability level of 50%, influencing subsequent examinations such as age and height estimation. The skull is the second-best choice after the pelvis for determining sex, with an accuracy of up to 90%. Morphological and metric methods are less reliable due to the high variability of skulls, while DNA analysis is ineffective on burned or damaged bones. Therefore, this study applies Correlation-Based Feature Selection (CFS) with a Backpropagation Neural Network (BPNN) to improve classification accuracy. The dataset used originates from Dr. William Howells, consisting of 2,524 skull samples with 85 variables. CFS was applied with two thresholds, 0.1 and 0.01, and the division of training data and test data using k-fold cross validation with k=10. The BPNN parameters included learning rates of 0.01 and 0.001, along with three different architectures based on the number of input neurons. The results indicate that CFS improved accuracy from 92.06% to 93.25% under the CFS threshold of 0.01, with a learning rate of 0.001 and a BPNN architecture of [72; 95; 1]. This study confirms that combining CFS and BPNN enhances sex classification accuracy based on skull bones.Abstrak – Pada antropologi forensik, identifikasi jenis kelamin adalah langkah awal dalam mengidentifikasi individu dengan tingkat probabilitas 50%, yang berpengaruh pada pemeriksaan lain seperti perkiraan usia dan tinggi badan. Tulang tengkorak menjadi pilihan terbaik kedua setelah tulang panggul dalam menentukan jenis kelamin dengan akurasi hingga 90%. Metode morfologi dan metrik kurang dapat diandalkan karena variabilitas tengkorak yang tinggi, sementara analisis DNA tidak efektif pada tulang yang terbakar atau rusak. Oleh karena itu, penelitian ini menerapkan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) untuk meningkatkan akurasi klasifikasi. Dataset yang digunakan berasal dari Dr. William Howells, terdiri dari 2.524 sampel tengkorak dengan 85 variabel. Pada CFS digunakan dua ambang batas yaitu 0,1 dan 0,01, serta pembagian data latih dan uji data menggunakan k-fold cross validation dengan k=10. Parameter BPNN yang digunakan meliputi learning rate (0,01 dan 0,001) serta tiga arsitektur berbeda sesuai dengan jumlah neuron input. Hasil menunjukkan bahwa CFS meningkatkan akurasi dari 92,06% menjadi 93,25% pada konfigurasi ambang batas CFS 0,01 dengan learning rate 0,001 dan arsitektur BPNN [72; 95; 1]. Penelitian ini menunjukkan bahwa kombinasi CFS dan BPNN dapat meningkatkan akurasi klasifikasi jenis kelamin berdasarkan tulang tengkorak.
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