Garuda - Garba Rujukan Digital

Prediksi Malaria Menggunakan Metode Pre-Trained Model Algoritma EfficientNet-B0 dan MobileNet-V2 Asep Eryana; Sriyanto; Firmansyah
Jurnal Ilmiah Komputasi Vol. 22 No. 1 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 1, Maret 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.1.3332

Malaria merupakan penyakit mematikan yang penularannya terjadi melalui gigitan nyamuk Plasmodium. Berdasarkan laporan WHO tahun 2021 di Asia Tenggara angka kematian diakibatkan malaria menurun sebesar 40% kecuali di Indonesia kurang dari 25%. Tingginya tingkat kematian akibat malaria di Indonesia salah satunya disebabkan karena faktor kompetensi tenaga medis; keterlambatan penanganan, kesalahan diagnosis dan kesalahan terapi. Selain observasi langsung, pengujian menggunakan Mikroskop dan Rapid Diagnostic Test (RDT) dapat digunakan untuk mendeteksi malaria. Namun kedua metode ini membutuhkan kompetensi yang baik untuk menyimpukan hasil pengujian. Alternatif solusi yang diajukan pada penelitian ini yaitu mendeteksi malaria menggunakan bantuan algoritma. Penelitian ini dilakukan untuk menguji prediksi malaria menggunakan pre-trained models dari algoritma EfficientNet-B0 dan MobileNet-V2. Hasil penelitian menyimpulkan bahwa dengan menggunakan pre-trained models, algoritma EfficientNet-B0 dan MobileNet-V2 dapat digunakan untuk prediksi malaria. Algoritma terbaik pada penelitian ini yaitu MobileNet-V2 dengan rata-rata skor akurasi sebesar 97,27%, rata-rata F1-score sebesar 97,29% dan skor sanity check sebesar 100%, skor kesalahan tipe 1 sebesar 1,74% dan kesalahan tipe 2 sebesar 0,89% dari 5512 sel darah yang diuji.

Prediksi Malaria Menggunakan Metode Pre-Trained Model Algoritma EfficientNet-B0 dan MobileNet-V2 Asep Eryana; Sriyanto; Firmansyah
Jurnal Ilmiah Komputasi Vol. 22 No. 1 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 1, Maret 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.1.3332

Malaria merupakan penyakit mematikan yang penularannya terjadi melalui gigitan nyamuk Plasmodium. Berdasarkan laporan WHO tahun 2021 di Asia Tenggara angka kematian diakibatkan malaria menurun sebesar 40% kecuali di Indonesia kurang dari 25%. Tingginya tingkat kematian akibat malaria di Indonesia salah satunya disebabkan karena faktor kompetensi tenaga medis; keterlambatan penanganan, kesalahan diagnosis dan kesalahan terapi. Selain observasi langsung, pengujian menggunakan Mikroskop dan Rapid Diagnostic Test (RDT) dapat digunakan untuk mendeteksi malaria. Namun kedua metode ini membutuhkan kompetensi yang baik untuk menyimpukan hasil pengujian. Alternatif solusi yang diajukan pada penelitian ini yaitu mendeteksi malaria menggunakan bantuan algoritma. Penelitian ini dilakukan untuk menguji prediksi malaria menggunakan pre-trained models dari algoritma EfficientNet-B0 dan MobileNet-V2. Hasil penelitian menyimpulkan bahwa dengan menggunakan pre-trained models, algoritma EfficientNet-B0 dan MobileNet-V2 dapat digunakan untuk prediksi malaria. Algoritma terbaik pada penelitian ini yaitu MobileNet-V2 dengan rata-rata skor akurasi sebesar 97,27%, rata-rata F1-score sebesar 97,29% dan skor sanity check sebesar 100%, skor kesalahan tipe 1 sebesar 1,74% dan kesalahan tipe 2 sebesar 0,89% dari 5512 sel darah yang diuji.

Perbandingan Kinerja Fungsi Kernel Algoritma Support Vector Machine Pada Klasifikasi Penyakit Padi Kurniawan Saputra; Zuriati Zuriati; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.7996483

Penelitian ini bertujuan untuk mengukur dan membandingkan kinerja fungsi kernel algoritma Support Vector Machine (SVM) pada klasifikasi penyakit tanaman padi. Fungsi kernel yang dibandingkan adalah : linear, polinomial, RBF, dan sigmoid. Tahapan penelitian: 1) Pengumpulan data penyakit tanaman padi, 2) Melakukan data embedding, 3) Pembagian data testing dan training yang dikelompokkan dalam beberapa perbandingan yaitu: 60%:40%, 70%:30%, 80%:20%, dan 90%:10%, 4) Evaluasi menggunakan matrik konfusi, untuk mendapatkan nilai akurasi, presisi, dan recall. Hasil penelitian menunjukkan nilai akurasi tertinggi 89% pada fungsi kernel linear untuk komposisi data 70%:30% dan polinomial untuk komposisi data 80%:20%. Nilai akurasi terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% dan 90%:10% senilai 38%. Presisi terbaik pada fungsi kernel linear 90% untuk komposisi data 70%:30%. Nilai presisi terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% senilai 41%. Untuk recall terbaik 89% pada fungsi kernel linear untuk komposisi data 60%:40%, 70%:30%, dan 80%:20%. Nilai recall terendah pada fungsi kernel RBF dengan komposisi data training dan testing 80%:20% dan 90%:10% senilai 38%. Penelitian ini menyimpulkan bahwa SVM dengan fungsi kernel linier memberikan hasil yang baik untuk klasifikasi penyakit tanaman padi.

Prediksi Penyakit Diabetes Menggunakan Algoritma Random Forest Sriyanto Sriyanto; Agiska Ria Supriyatna
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8051410

Diabetes adalah penyakit kronis degeneratif yang disebabkan oleh produksi insulin yang tidak mencukupi di dalam pankreas. Banyak faktor yang diduga menjadi penyebab diabetes, diantaranya adalah: keturunan, kadar gula darah yang tinggi, usia, hipertensi, sariawan terus menerus, gatal-gatal, penglihatan yang buram, berat badan berlebihan, penurunan pendengaran, kesemutan, dan faktor lainnya. Sangat penting untuk mengetahui faktor utama yang menjadi pemicu penyakit diabetes. Diperlukan diagnosa dokter melalui pemeriksaan darah untuk memastikan apakah seseorang mengidap diabetes atau tidak. Selain itu, melalui penerapan ilmu pengetahuan data mining dapat dikembangkan sebuah model untuk memprediksi penyakit diabetes. Model prediksi dapat digunakan sebagai alat bantu bagi tenaga medis dan masyarakat awam untuk memperkirakan apakah seseorang mengidap diabetes atau tidak. Penelitian ini bertujuan mengembangkan sebuah model prediksi penyakit diabetes dengan menerapkan algoritma random forest. Hasil penelitian bermanfaat untuk membantu dokter dan tenaga kesehatan serta masyarkat umum untuk mendeteksi penyakit diabetes sejak dini. Tahapan penelitian adalah mengumpulkan dataset diabetes, implementasi algoritma, dan evaluasi kinerja algoritma random forest. Hasil penelitian menunjukkan bahwa algoritma random forest dapat melakukan prediksi penyakit diabetes dengan kinerja yang baik. Nilai- nilai evaluasi kinerja algoritma random forest untuk prediksi penyakit diabetes adalah: akurasi sebesar 99.3 %, recall sebesar 99.5%, presisi sebesar 99.1%, F1-score sebesar 99.%, dan AUC sebesar 100%.

PREDIKSI STUNTING PADA BALITA MENGGUNAKAN ALGORITMA RANDOM FOREST Juwariyem Juwariyem; Sriyanto Sriyanto
IndraTech Vol 4, No 1 (2023): Mei 2023
Publisher : STMIK Indragiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56005/jit.v4i1.139

Stunting adalah kondisi gagal tumbuh pada balita. Hal ini disebabkan oleh kurangnya gizi dalam jangka waktu yang lama, paparan infeksi berulang, dan kurangnya stimulasi. Kondisi malnutrisi ini dipengaruhi oleh kesehatan ibu saat hamil, status kesehatan remaja, serta ekonomi dan budaya hingga lingkungan, seperti sanitasi dan akses ke layanan kesehatan. Penelitian ini menggunakan metode Random Forest untuk melihat tingkat akurasi prediksi stunting pada balita yang menggunakan dataset dengan jumlah sebanyak 10001 record data, 7 atribut dan 1 kelas atribut. Berdasarkan hasil pengujian Random Forest untuk melihat akurasi dari prediksi keberhasilan data yang diujikan, diperoleh hasil akurasi yaitu 85,86 %. Dari hasil yang diperoleh terhadap pengujian yang telah dilakukan, diketahui bahwa metode Random Forest merupakan metode yang lebih baik dalam memprediksi akurasi pada stunting.Kata kunci: Prediksi, Stunting, Random Forest

Perbandingan Kinerja Algoritma C4.5, Naive Bayes, dan Random Forest dalam Prediksi Penyakit Jantung Khodijah Khodijah; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 2 (2023): Teknika Juli - Desember 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8409434

Data mining adalah proses menemukan pola dan pengetahuan dari data yang berjumlah besar. Salah satu bagian penting pada data mining adalah pengklasifikasian data. Klasifikasi digunakan untuk menggolongkan data berdasarkan sifat data yang sudah dikenali masing-masing kelasnya. Ada berbagai macam teknik yang digunakan untuk mengklasifikasikan data, diantaranya yaitu C4.5,Naive bayes.dan Random Forest.. Berdasarkan beberapa peneliti, metode C4.5 dan Naive Bayes memiliki kinerja yang baik sehingga dibuat sistem dengan tujuan untuk membandingkan kinerja C4.5 dan Naive Bayes. Data yang akan digunakan pada sistem yang akan dibuat adalah penyakit jantung. Berdasarkan hasil penelitian diketahui bahwa kinerja dari algoritma Radom Forest lebih baik dibandingkan dengan kinerja dari algoritma C4.5 dan Naïve Bayes . Hal ini dapat dilihat dari nilai akurasi, recall, precision yang dihasilkan oleh Radom Forest lebih besar dibandingkan oleh C4.5 dan Naïve Bayes Kata Kunci : Radom Forest, Naive Bayes, C4.5, akurasi

IMPLEMENTASI LONG SHORT TERM MEMORY UNTUK MENDETEKSI UJARAN KEBENCIAN PADA MEDIA SOSIAL DI INDONESIA Irma Agustina; Suhendro Suhendro; Sriyanto Sriyanto
JSR : Jaringan Sistem Informasi Robotik Vol 7, No 2 (2023): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v7i2.262

Pada penelitian ini, akan diimplementasikan algoritma Long Short-Term Memory (LSTM) pada kasus ujaran kebencian, khususnya yang berkaitan dengan ujaran kebencian dengan pemerintah. Algoritma Long Short-Term Memory merupakan salah satu jenis arsitektur dari Recurrent Neural Network (RNN) yang biasa digunakan pada masalah-masalah yang berkaitan dengan deep learning. Terdapat berbagai penelitian yang menerapkan LSTM. Pada penelitian, Long Short Term Memory Reccurent Neural Network digunakan sebagai model prediksi statis untuk memprediksi nilai dari indikator polusi udara dalam deret waktu. Filter Kalman digunakan sebagai model menyesuaian dinamis (dynamic adjustment model). Pertama, model prediksi statis digunakan untuk memprediksi nilai dari suatu polutan pada pada saat tertentu (misal, saat uji dilakukan), kemudian model penyesuaian dinamis digunakan untuk secara dinamis menyesuaikan nilai prediksi yang diperoleh dari model prediksi statis berdasarkan nilai observasi dari polutan tersebut.Kata Kunci: Long Short Term Memory, Ujaran Kebencian, Media Sosial, Deep Learning, Neural Network

KOMPARASI UJI PERFORMA ALGORITMA C4.5 DAN K-NEAREST NEIGBOR DALAM MEMPREDIKSI PENYAKIT DIABETES Adhi Tristiyanto; Sriyanto Sriyanto
Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU) Vol 2 No 2 (2022): SEMNASTEKMU
Publisher : Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/semnastekmu.v2i1.191

Tingginya angka statistik penderita diabetes memerlukan antisipasi dari dinas kesehatan untuk menekan dan mencegah ledakan penderita diabetes. Oleh karena itu, diagnosis dini diabetes dapat membantu pengobatan diabetes lebih cepat dan dapat menghindari komplikasi penyakit berbahaya lainnya. Salah satu pencatatan yang dapat dilakukan adalah dengan memanfaatkan teknik klasifikasi dengan data mining. Algoritma C4.5 dan K-Nearest Neigbor merupakan metode yang dapat digunakan untuk memprediksi diabetes. Dari hasil pengujian 520 data yang terbagi menjadi 80% atau 416 data sebagai data latih dan 20% atau 104 sebagai data pengujian, algoritma C45 (Decision Tree) memiliki akurasi yang lebih tinggi dibandingkan k-NN dengan menggunakan seluruh atribut dengan akurasi sebesar 98% sedangkan k-NN memiliki akurasi sebesar 83%. Sedangkan untuk penggunaan menggunakan fitur berbasis heatmap, algoritma C45 memiliki akurasi 88% lebih tinggi dibandingkan algoritma k-NN dengan akurasi 84%. Pada algoritma k-NN, mencari jumlah k yang optimal adalah 4 dengan akurasi 88%.

Prediksi Loyalitas Karyawan Dengan Menggunakan Fitur Optimasi Pembobotan PSO dan Algoritma Decision Tree C4.5 Muhamad Fahrurrozi; Sriyanto Sriyanto
TEKNIKA Vol. 17 No. 1 (2023): Teknika Januari - Juni 2023
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.8101628

Salah satu elemen dalam perusahaan yang sangat penting adalah Sumber Daya Manusia (SDM). Pengelolaan SDM dari suatu perusahaan sangat mempengaruhi banyak aspek penentu keberhasilan kerja dari perusahaan tersebut. Jika SDM dapat diorganisir dengan baik, maka diharapkan perusahaan dapat menjalankan semua proses usahanya dengan baik. Aset terbesar yang dimiliki sebuah perusahaan bukanlah miliknya bisnis atau tempat atau hal lain, tapi itu karyawan. Karyawan yang baik adalah selalu menjadi aset berharga bagi perusahaan, dan kepergian mereka dapat mengakibatkan berbagai masalah, termasuk kerugian finansial, kinerja keseluruhan yang buruk, dan hilangnya akumulasi keahlian. Selanjutnya, dibandingkan dengan merekrut saat ini karyawan, mempekerjakan personel baru secara signifikan lebih banyak mahal, stres, dan memakan waktu. Pada dasarnya perusahaan menginginkan karyawanny dapat bekerja secara loyalitas. Banyak sekali factor-faktor yang mempengaruhi kinerja seseorang karyawan, seperti umur, jenis kelamin, tingkat kedisiplinan, dll. Kebutuhan dari perusahaan untuk mengetahui faktor utama yang mempengaruhi loyalitas karyawan dengan menggunakan data mining. Untuk bisa mendapatkan informasi dari data-data yang ada perlu dilakukan proses data mining seperti klasifikasi. Pada permasalahan diatas mengenai karyawan maka untuk dapat mengatasi memprediksi loyalitas suatu karyawan dalam suatu perusahaan dengan mempertimbangkan berbagai faktor dan menggunakan algoritma untuk mendapatkan prediksi dengan akurasi yang besar salah satunya adalah Decision Tree C4.5 untuk mengklasifikasikan faktor paling penting untuk loyalitas karyawan. Pengujian sebelumnya oleh Sai Chandan P Redgg pada tahun 2021 menghasilkan akurasi yang cukup tinggi yaitu sebesar 86.39%. Merujuk hasil akurasi dari penelitian tersebut dapat dilihat bahwa Decision Tree menghasilkan akurasi yang tinggi namun hasil akurasi tersebut masih dapat ditingkatkan lagi dengan melakukan penelitian lanjutan untuk menghasilkan akurasi lebih tinggi dengan menambahkan optimization feature weighting (PSO). Kata kunci— Loyalitas Karyawan, Klasifikasi, Algoritma Decision Tree C4.5, PSO.

Implementasi Pemasaran Digital untuk Peningkatan Daya Saing pada Komunitas Gerakan Seribu Tangan Kreatif Lampung Zuriati Zuriati; Oktaf Rina; Nurul Qomariyah; Sriyanto Sriyanto
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 7, No 3 (2024): Juni 2024
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v7i3.7610

Abstrak - Untuk memenuhi kebutuhan pasar yang selalu berubah, terutama di era teknologi ini, maka UMKM perlu melakukan inovasi di bidang pemasaran, misalnya dengan menggunakan pemasaran digital, yang dilakukan untuk meningkatkan daya saing dan memastikan bahwa perusahaan dapat bertahan dan berkembang. Tujuan penelitian ini adalah mengimplementasikan aplikasi pemasaran digital berupa website e-commerce untuk Komunitas Gerakan Seribu Tangan Kreatif Lampung. Pengembangan aplikasi pemasaran digital membutuhkan proses yang cepat dan efektif. Teknik pengembangan perangkat lunak Rapid Application Development (RAD) dipilih untuk digunakan pada pembuatan aplikasi ini, karena terbukti sangat efektif. Tahapan pengembangan dengan teknik RAD adalah: requirements planning, user design, construction, dan cutover. Pada tahap requirements planning, dilakukan pengumpulan data melalui pengamatan, wawancara, dan analisis dokument. Tahap user design menghasilkan use case diagram, class diagram, dan activity diagram. Tahap construction adalah tahap pembuatan aplikasi menggunakan PHP dengan framework CodeIgniter 4 dan basisdata MySQL. Pada tahap ini, pengembang melakukan pengkodean, pengujian unit, dan integrasi modul untuk memastikan aplikasi berfungsi sesuai dengan spesifikasi. Tahap cutover melibatkan pengujian sistem keseluruhan menggunakan metode blackbox testing. Hasil pengujian aplikasi menunjukkan bahwa penerapan metode RAD dapat mempercepat siklus pengembangan, meningkatkan fleksibilitas, dan meningkatkan kualitas aplikasi pemasaran digital.Kata kunci: Inovasi Pemasaran, Pemasaran Digital, Rapid Application Development, UMKM. Abstract - To meet the ever-changing market demands, especially in this digital era, MSMEs need to innovate in marketing by implementing digital marketing to sustain their businesses. The objective of this research is to implement a digital marketing application in the form of an e-commerce website for the Gerakan Seribu Tangan Kreatif Lampung Community. The development of a digital marketing application requires a fast and effective process. The Rapid Application Development (RAD) software development technique was chosen for the creation of this application because it has proven to be quick and effective. The stages of RAD are: requirements planning, user design, construction, and cutover. In the requirements planning stage, data collection is conducted through observation, interviews, and document analysis. The user design stage results in use case diagrams, class diagrams, and activity diagrams. The construction stage involves the development of the application using PHP with the CodeIgniter 4 framework and MySQL database. In this stage, developers perform coding, unit testing, and module integration to ensure the application functions according to specifications. The cutover stage involves testing using the black box testing method. The results of application testing show that the implementation of the RAD method can accelerate the development cycle, increase flexibility, and improve the quality of the digital marketing application.Keywords: Marketing Innovation, Digital Marketing, Rapid Application Development, UMKM.

Title

Found 25 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 25 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 25 Documents
Search