Article Per Year (5 Year)
p-Index From 2021 - 2026
5.383
P-Index
This Author published in this journals
All Journal International Journal of Advances in Applied Sciences Jurnal Ilmiah FIFO Bina Insani ICT Journal Jurnal Teknik Informatika STMIK Antar Bangsa JURNAL PENDIDIKAN TAMBUSAI Indonesian Journal of Business Intelligence (IJUBI) Jurnal Sistem Informasi dan Informatika (SIMIKA) Akrab Juara : Jurnal Ilmu-ilmu Sosial Abditeknika - Jurnal Pengabdian Kepada Masyarakat Tridharmadimas: Jurnal Pengabdian Kepada Masyarakat Jayakarta Bulletin of Information Technology (BIT) Jurnal Informatika Dan Tekonologi Komputer (JITEK) Jurnal: International Journal of Engineering and Computer Science Applications (IJECSA) JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Jurnal Pengabdian Kreatif Cemerlang Indonesia Software Development Digital Business Intelligence and Computer Engineering Jurnal Pengabdian Kepada Masyarakat Bersinergi Inovatif Jurnal Informatika Dan Tekonologi Komputer Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA)
Muhammad Muharrom
Universitas Bina Sarana Informatika
Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Physics Social Sciences Other

Published : 46 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Ilmiah FIFO

 1 
Analisis Model Prediksi Penyakit Jantung Menggunakan Adaptive Boosting, Gradient Boosting, dan Extreme Gradient Boosting Sah, Andrian; Niesa, Chaeroen; Jafar, Rhaishudin Rumandan; Muharrom, Muhammad
Jurnal Ilmiah FIFO Vol 17, No 1 (2025)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i1.006

Abstract

Deteksi dini penyakit jantung merupakan langkah penting untuk meningkatkan kualitas diagnosis dan perawatan pasien. Namun, metode prediksi manual yang sering digunakan tenaga medis memiliki keterbatasan dalam efisiensi waktu, akurasi, dan kemampuan menangani volume data yang besar. Dalam bidang kecerdasan buatan, algoritma machine learning seperti Adaptive Boosting (AdaBoost), Gradient Boosting, dan Extreme Gradient Boosting (XGBoost) menawarkan potensi untuk meningkatkan akurasi prediksi, terutama dalam mengatasi tantangan pada dataset kecil yang sering mengalami ketidakseimbangan kelas dan risiko overfitting. Penelitian ini bertujuan untuk menganalisis kinerja ketiga algoritma boosting tersebut dalam memprediksi penyakit jantung. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi sebesar 84.78% dan ROC-AUC 0.9410, menjadikannya algoritma paling efektif dalam menangani pola data yang kompleks. Gradient Boosting menjadi model paling efisien dengan waktu pelatihan tercepat, yaitu 0.3655 detik, dengan akurasi dan ROC-AUC yang kompetitif. Sementara itu, AdaBoost menunjukkan kelemahan dalam menangani ketidakseimbangan kelas tetapi tetap memberikan hasil yang baik untuk kelas mayoritas. Berdasarkan evaluasi precision, recall, dan F1-score, XGBoost direkomendasikan untuk aplikasi prediksi penyakit jantung, terutama dalam situasi yang memerlukan akurasi tinggi, sedangkan Gradient Boosting cocok untuk kebutuhan real-time.
Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM) Candra, Adi; Erkamim, Moh.; Muharrom, Muhammad; Prayitno, Edhi
Jurnal Ilmiah FIFO Vol 16, No 2 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i2.007

Abstract

Stunting pada balita merupakan masalah gizi serius yang berdampak pada perkembangan fisik dan kognitif anak, terutama di negara berkembang seperti Indonesia. Dengan prevalensi stunting yang masih tinggi, identifikasi dini balita yang berisiko sangat penting untuk mencegah dampak jangka panjang. Namun, metode konvensional dalam mengidentifikasi stunting sering kali kurang akurat dan memerlukan banyak sumber daya. Tujuannya penelitian ini dilakukan yaitu untuk mengklasifikasikan stunting pada balita berdasarkan status gizi melalui pembelajaran mesin dengan algoritma Support Vector Machine (SVM). Pemilihan SVM didasarkan pada keunggulannya dalam mengolah data multidimensi yang rumit serta kapabilitasnya untuk mengoptimalkan pemisahan antar kelas data dengan memaksimalkan margin. Penelitian ini juga menerapkan berbagai teknik prapemrosesan data, seperti standarisasi fitur, pengkodean variabel kategorikal, dan penghapusan data duplikat, untuk memastikan performa optimal model. Hasil penelitian mengungkapkan bahwa model SVM yang dibangun memperoleh akurasi sebesar 98,37%, menandakan kinerja yang sangat baik dalam klasifikasi status gizi balita. Temuan ini mengindikasikan bahwa SVM memiliki potensi besar untuk diaplikasikan dalam mendukung pengambilan keputusan medis dan intervensi kesehatan masyarakat, terutama dalam konteks pemantauan dan pencegahan stunting pada balita.
Co-Authors Achmad Sumbaryadi, Achmad Ade Setiawan Adi Candra, Adi Aditya, Aditya Pratama Afif Saktiansyah Akmaludin Akmaludin, Akmaludin Aulia, Annisa Bonni Nurtanaya Bonny Mulyawan Cut Dara Devi, Anggita Sari Dimas Indra Andhika Dwi Yuni Utami Edhi Prayitno Edhi Prayitno, Edhi Ellya Verawati Faiz, Zulfa Al Harmono, Feri Prasetyo Herlawati Herlawati Jafar, Rhaishudin Rumandan Juarni Siregar Juniar, Muhammad Deva Kadinar Novel KOMALASARI, YULI Kudiantoro Widianto, Kudiantoro M. Fariz A, M. Fariz A Moh. Erkamim Mulyawan, Bonny Musriatun Napiah Nababan, Dina Madelin Nicodias Palasara Niesa, Chaeroen Nuhdin, Burhan Nunung Hidayatun Rafli Achmad Sah, Andrian Saktiansyah, Afif Samudi Tika Adilah M Tirta, Lusi Dara Yuli Komalasarii Yuniar, Rivaldi Nazar