Article Per Year (5 Year)
p-Index From 2020 - 2025
1.259
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Technopreneurship and Information System (JTIS) Jurnal Teknologi Informasi Cyberku Advances in Computer System Innovation Journal (ACSI Journal)
Azminuddin I. S. Azis
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Prediksi Penyakit Jantung Menggunakan Metode-Metode Machine Learning Berbasis Ensemble – Weighted Vote Alhamad, Apriyanto; Azis, Azminuddin I. S.; Santoso, Budy; Taliki, Sunarto
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 5, No 3 (2019): Volume 5 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v5i3.37188

Abstract

Kematian yang disebabkan penyakit jantung masih sangat tinggi, sehingga perlu peningkatan upaya-upaya pencegahannya, misalnya dengan meningkatkan capaian model prediksinya. Penerapan metode-metode machine learning pada dataset publik (Cleveland, Hungary, Switzerland, VA Long Beach, & Statlog) yang umumnya digunakan oleh para peneliti untuk prediksi penyakit jantung, termasuk pengembangan alat bantunya, masih belum menangani missing value, noisy data, unbalanced class, dan bahkan data validation secara efisien. Oleh karena itu, pendekatan imputasi mean/mode diusulkan untuk menangani missing value replacement, Min-Max Normalization untuk menangani smoothing noisy data, K-Fold Cross Validation untuk menangani data validation, dan pendekatan ensemble menggunakan metode Weighted Vote (WV) yang dapat menyatukan kinerja tiap-tiap metode machine learning untuk mengambil keputusan klasifikasi sekaligus untuk mereduksi unbalanced class. Hasil penelitian ini menunjukkan bahwa metode yang diusulkan tersebut memberikan akurasi sebesar 85,21%, sehingga mampu meningkatkan kinerja akurasi metode-metode machine learning, selisih 7,14% dengan Artificial Neural Network, 2,77% dengan Support Vector Machine, 0,34% dengan C4.5, 2,94% dengan Naïve Bayes, dan 3,95% dengan k-Nearest Neighbor.
PENGENDALIAN LAMPU LALU LINTAS CERDAS DI PERSIMPANGAN EMPAT RUAS YANG KOMPLEKS MENGGUNAKAN ALGORITMA ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Santoso, Budy; Azis, Azminuddin I. S.; Bode, Andi
Jurnal Edukasi dan Penelitian Informatika (JEPIN) Vol 6, No 1 (2020): Volume 6 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v6i1.37311

Abstract

Masalah transportasi masih sering dihadapkan pada fenomena kemacetan arus lalu lintas yang berdampak pada kecelakaan lalu lintas, polusi, dan kerugian ekonomi. Salah satu cara untuk meminimalisir fenomena tersebut melalui pengendalian sistem lampu lalu lintas yang baik terhadap arus lalu lintas jangka pendek di persimpangan jalan. Pengendalian lampu lalu lintas secara statis terbukti belum optimal dalam meminimalisir kemacetan arus lalu lintas, salah satu penyebabnya karena kondisi arus lalu lintas yang bervariasi sehingga tidak mudah diprediksi. Fuzzy Inference System (FIS) sering terbukti mampu menunjukkan hasil yang lebih baik daripada pengendalian lampu lalu lintas secara statis. Namun FIS tidak dapat diterapkan pada kondisi arus lalu lintas yang bervariasi atau di persimpangan jalan yang berbeda karena metode tersebut tidak mampu mempelajari kondisi arus lalu lintas secara real time. Agar FIS mampu melakukan pembelajaran, maka pendekatan machine learning dapat diterapkan pada FIS. Salah satu pengembangannya adalah Adaptive Neuro Fuzzy Inference System (ANFIS) yang dapat mengendalikan lampu lalu lintas cerdas secara dinamis dengan hasil yang lebih baik daripada FIS. Namun umumnya ANFIS diuji coba pada persimpangan jalan yang normal. Bagaimana jika di persimpangan yang kompleks? Persimpangan yang memiliki beberapa ruas/jalur utama yang besar (jalur poros), sementara ruas laiinya kecil, bahkan terdapat ruas yang tidak berpotongan, sehingga ada prioritas untuk setiap ruasnya. Hasilnya, penerapan ANFIS (3 GaussMf) untuk pengendalian lampu lalu lintas cerdas/dinamis di persimpangan empat ruas yang kompleks mampu mereduksi Average Waiting Times (AWT) rata-rata sebesar 3,4071E-05 detik dengan 2,7156 RMSE rata-rata, menggunakan variabel Queues Quantity dan Priority Degree. Sedangkan jika menggunakan variabel Arrival Times, Transportation Type, dan Goal Junction, ANFIS (4 TrapMf) mampu mereduksi AWT sebesar 0,0779 detik dengan 19,7646 RMSE.
Pendekatan Machine Learning yang Efisien untuk Prediksi Kanker Payudara Azminuddin I. S. Azis; Irma Surya Kumala Idris; Budy Santoso; Yasin Aril Mustofa
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 3 No 3 (2019): Desember 2019
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (881.95 KB) | DOI: 10.29207/resti.v3i3.1347

Abstract

Breast Cancer is the most common cancer found in women and the death rate is still in second place among other cancers. The high accuracy of the machine learning approach that has been proposed by related studies is often achieved. However, without efficient pre-processing, the model of Breast Cancer prediction that was proposed is still in question. Therefore, this research objective to improve the accuracy of machine learning methods through pre-processing: Missing Value Replacement, Data Transformation, Smoothing Noisy Data, Feature Selection / Attribute Weighting, Data Validation, and Unbalanced Class Reduction which is more efficient for Breast Cancer prediction. The results of this study propose several approaches: C4.5 - Z-Score - Genetic Algorithm for Breast Cancer Dataset with 77,27% accuracy, 7-Nearest Neighbor - Min-Max Normalization - Particle Swarm Optimization for Wisconsin Breast Cancer Dataset - Original with 97,85% accuracy, Artificial Neural Network - Z-Score - Forward Selection for Wisconsin Breast Cancer Dataset - Diagnostics with 98,24% accuracy, and 11-Nearest Neighbor - Min-Max Normalization - Particle Swarm Optimization for Wisconsin Breast Cancer Dataset - Prognostic with 83,33% accuracy. The performance of these approaches is better than standard/normal machine learning methods and the proposed methods by the best of previous related studies.
LL-KNN ACW-NB: Local Learning K-Nearest Neighbor in Absolute Correlation Weighted Naïve Bayes untuk Klasifikasi Data Numerik Azminuddin I. S. Azis; Budy Santoso; Serwin
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 4 No 1 (2020): Februari 2020
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (602.934 KB) | DOI: 10.29207/resti.v4i1.1348

Abstract

Naïve Bayes (NB) algorithm is still in the top ten of the Data Mining algorithms because of it is simplicity, efficiency, and performance. To handle classification on numerical data, the Gaussian distribution and kernel approach can be applied to NB (GNB and KNB). However, in the process of NB classifying, attributes are considered independent, even though the assumption is not always right in many cases. Absolute Correlation Coefficient can determine correlations between attributes and work on numerical attributes, so that it can be applied for attribute weighting to GNB (ACW-NB). Furthermore, because performance of NB does not increase in large datasets, so ACW-NB can be a classifier in the local learning model, where other classification methods, such as K-Nearest Neighbor (K-NN) which are very well known in local learning can be used to obtain sub-dataset in the ACW-NB training. To reduction of noise/bias, then missing value replacement and data normalization can also be applied. This proposed method is termed "LL-KNN ACW-NB (Local Learning K-Nearest Neighbor in Absolute Correlation Weighted Naïve Bayes)," with the objective to improve the performance of NB (GNB and KNB) in handling classification on numerical data. The results of this study indicate that the LL-KNN ACW-NB is able to improve the performance of NB, with an average accuracy of 91,48%, 1,92% better than GNB and 2,86% better than KNB.
MODEL MULTI-CLASS SVM MENGGUNAKAN STRATEGI 1V1 UNTUK KLASIFIKASI WALL-FOLLOWING ROBOT NAVIGATION DATA Azminuddin I. S. Azis; Vincent Suhartono; Heribertus Himawan
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1006.645 KB)

Abstract

Manusia memiliki keterbatasan dalam mengerjakan hal-hal yang berat, rumit, cepat, berbahaya, berulang-ulang secara langsung baik itu di kalangan rumah tangga, industri, militer, penelitian, hiburan, dsb. Robot merupakan mesin yang dapat mempermudah pekerjaan dan mengatasi keterbatasan manusia, sedangkan AI dapat membuat robot semakin cerdas. Berbagai macam metode AI telah diusulkan untuk mengatasi salah satu teknik navigasi robot, yaitu wall-following robot navigation, namun masih belum optimal. State of the art dalam klasifikasi wall-following robot navigation data adalah MLP dengan akurasi sebesar 97.59%. Namun akhir-akhir ini, state of the art dalam klasifikasi pattern recognition adalah SVM. Wall- following robot navigation data melibatkan multi-class, non-linear, dan high dimensional problem. 1V1 merupakan strategi terbaik yang dapat diterapkan pada SVM untuk mengatasi multi class problem yang selanjutnya dapat disebut multi-class SVM. Sedangkan untuk mengatasi non-linear dan high dimensional problem, SVM sendiri sudah dimodifikasi dengan memasukkan fungsi Kernel. Dengan demikian, akurasi sebesar 97.59% yang dihasilkan oleh MLP untuk klasifikasi wall-following robot navigation data masih dianggap rendah. Namun model multi-class SVM menggunakan strategi 1V1 untuk klasifikasi wall-following robot navigation data yang diperoleh dengan solusi yang global optimal dan tanpa perlu adanya dimensionality reduction (by PCA/SVD) dalam tingkat akurasi fair classification, yaitu 91.10% < 97.59% yang dihasilkan penelitian sebelumnya menggunakan MLP. Namun secara teoritis, multi-class SVM menggunakan strategi 1V1 lebih cepat dengan waktu proses yang dihasilkan = 10.7505 detik. Dengan demikian, model tersebut dapat mempelajari navigasi robot pengikut dinding tanpa tabrakan (menjaga jarak terhadap dinding dengan baik).
Analisis Algoritma C4.5 untuk Prediksi Minat Baca Yunus, Muhajir; I. S. Aziz, Azminuddin; Fitriah
Journal of Technopreneurship and Information System (JTIS) Vol 8 No 1 (2025): Februari
Publisher : Fakultas Teknik Universitas Muhammadiyah Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36085/jtis.v8i1.8834

Abstract

Minat baca merupakan indikator penting dari tingkat literasi dan berkorelasi langsung dengan kemampuan berpikir analitis dan kualitas pendidikan secara keseluruhan. Prediksi minat baca dapat diselesaikan dengan pendekatan machine leraning menggunakan algoritma C4.5 yang handal dalam mengolah data. Berdasarkan hasil analisis yang telah dilakukan, diperoleh pohon keputusan C4.5 untuk prediksi minat baca, di mana variabel lingkungan membaca tidak mempengaruhi prediksi minat baca, sedangkan variabel umur yang paling berpengaruh terhadap prediksi minat baca. Sedangkan hasil evaluasi model menggunakan confusion matrix menghasilkan akurasi sebesar 71.14%, dimana menurut tafsiran guilford empirical rules akurasi tersebut termasuk tinggi/handal. Hasil interval kepercayaan didapatkan batas atas = 0.743437, dan batas bawah = 0.6771. Dengan demikian diperoleh model C4.5 untuk prediksi minat baca yang akurasinya tinggi/handal.
Integrating Bayesian Optimization into Ensemble Logistic Regression for Explainable AI-Based Customer Behavior Analysis Jeffry, Jeffry; Azis, Azminuddin I. S.; Kandakon, Elisabeth Tri Juliana
Sinkron : jurnal dan penelitian teknik informatika Vol. 9 No. 4 (2025): Articles Research October 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v9i4.15219

Abstract

Understanding customer behavior is a strategic factor in business decision-making, particularly within the automotive sector, where competition is intense and product variety is diverse. While previous studies often rely on limited demographic variables, such as age and gender, this research advances the field by integrating ensemble logistic regression with Bayesian Optimization for hyperparameter tuning and SHAP-based interpretability. The proposed model incorporates additional features beyond demographics, including vehicle category, product type, vehicle year, dealer branch, and transaction source, to enhance predictive accuracy. The methodology involves data preprocessing through encoding and cleaning, class balancing using SMOTE combined with undersampling, and stratified train-test splitting (80:20). Baseline Logistic Regression achieved an accuracy of 80%, ROC AUC of 0.89, precision of 0.47/0.96, recall of 0.84/0.79, and F1-scores of 0.59/0.89. By applying ensemble logistic regression with Bayesian Optimization, performance improved to 84% accuracy, ROC AUC of 0.92, precision of 0.51/0.98, recall of 0.83/0.84, and F1-scores of 0.63/0.92. SHAP analysis confirmed that the additional features significantly contribute to prediction outcomes. The novelty of this study lies in combining Ensemble Logistic Regression with Bayesian Optimization and SHAP explainability in the automotive domain, offering not only improved accuracy but also interpretability and fairness for business decision-making, providing actionable insights for targeted marketing strategies and product management. Future studies may incorporate broader behavioral and transactional variables to capture more nuanced customer decision patterns..
PENERAPAN GREY WOLF OPTIMIZER DALAM PELATIHAN MULTI LAYER PERCEPTRON UNTUK MENANGANI MASALAH KLASIFIKASI DAN REGRESI Azis, Azminuddin I. S.; Santoso, , Budy; Jeffry, Jeffry
Advances in Computer System Innovation Journal Vol. 2 No. 3: Desember 2024, ACSI Journal
Publisher : Unit Publikasi Ilmiah Perkumpulan Intelektual Madani Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51577/acsijournal.v2i3.653

Abstract

Algoritma Grey Wolf Optimizer (GWO) merupakan salah satu metode metaheuristik terkini yang telah terbukti mampu menunjukkan kinerja yang handal dalam memecahkan berbagai masalah optimasi, terutama dalam mengoptimalkan parameter pada algoritma-algoritma Machine Learning. Salah satu algoritma Machine Learning yang populer adalah Multi Layer Perceptron (MLP), merupakan salah satu varian dari Artificial Neural Network (ANN) yang memiliki parameter weight dan bias yang sensitif terhadap kinerja modelnya. Oleh karenanya, GWO diterapkan untuk mengoptimalkan inisialisasi awal weight dan bias dalam pelatihan MLP untuk meningkatkan kinerja modelnya. Hasil eksperimen ini menunjukan bahwa optimalisasi GWO mampu meningkatkan kinerja MLP, baik pada klasifikasi Iris yang akurasinya meningkat sebesar 33.33% dan pada regresi Silica dengan RMSE yang menurun sebesar 0.1488.
Model Convolutional Neural Network yang Efektif dan Efisien untuk Segmentasi Semantik Awan Cumulonimbus Azminuddin I. S. Azis; jeffry, jeffry; Firman Aziz; Andi Taufiqurrahman Akbar
Advances in Computer System Innovation Journal Vol. 3 No. 1: April 2025, ACSI Journal
Publisher : Unit Publikasi Ilmiah Perkumpulan Intelektual Madani Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51577/acsijournal.v3i1.807

Abstract

Awan Cumulonimbus (CB) merupakan jenis awan yang dapat mengakibatkan petir, badai, tornado, hujan lebat, turbulensi penerbangan, dan cuaca ekstrim lainnya. Oleh karenanya, prediksi/deteksi keberadaan awan CB yang akurat dan real time akan mendukung kelancaran dan keselamatan banyak aktivitas manusia. Citra infrared (IR) pada satelit Himawari-8 di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) memiliki informasi mengenai pertumbuhan awan CB. Berbagai studi terkait telah membuktikan bahwa metode yang paling populer dan handal dalam bidang computer vision pada objek awan adalah Convolutional Neural Network (CNN). Untuk menemukan/memperoleh model CNN yang paling efektif dan efisien dalam menangani segmentasi semantik awan CB pada citra IR Himawari-8, maka berbagai pendekatan untuk CNN diuji coba, diantaranya arsitektur jaringan untuk CNN, optimalisasi pelatihan CNN berbasis Gradient Discent Optimizer (GDO), Weighted Class (WC) untuk mereduksi masalah imbalanced class, dan Data Augmentation (DA) untuk memperkaya keragaman data dan mencegah overfitting. Hasil studi menunjukkan bahwa model CNN yang paling efektif adalah dengan arsitektur jaringan U-NET, GDO menggunakan Adaptive Moment Estimation (Adam), dan WC dengan 99,56% global akurasi pengujian, 97,12% rata-rata akurasi pengujian, 94,42% rata-rata IoU, 94,48% akurasi prediksi pada class CB, 99,60% akurasi validasi, 99,61% akurasi pelatihan, 0,1071 loss validasi, dan 0.1072 loss pelatihan. Sedangkan model CNN yang paling efisien adalah dengan arsitektur jaringan Dilated, GDO menggunakan Root Mean Square Propagation (RMSProp), dan WC dengan 24 detik waktu proses/pemodelan, lebih cepat 20 detik namun dengan efektivitas yang tidak jauh berbeda daripada model CNN yang paling efektif.
Co-Authors Andi Bode Andi Taufiqurrahman Akbar Apriyanto Alhamad Budy Santoso Firman Aziz Fitriah Heribertus Himawan Irma Surya Kumala Idris Jeffry Jeffry Kandakon, Elisabeth Tri Juliana Muhajir Yunus Santoso, , Budy Serwin Sunarto Taliki Vincent Suhartono Yasin Aril Mustofa