Articles
<![CDATA[Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Risiko Penyakit Jantung ]]>
<![CDATA[Deny Haryadi]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol 3 No 2 (2021) ]]>
Publisher : <![CDATA[PPM Institut Teknologi Telkom Telkom Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (433.041 KB)
|
DOI: 10.52661/j_ict.v3i2.85
<![CDATA[Penyakit jantung merupakan sebuah kondisi dimana jantung tidak dapat melaksanakan tugasnya dengan baik, penyakit ini terjadi bila darah ke otot jantung terhenti atau tersumbat sehingga mengakibatkan kerusakan berat pada jantung. Beberapa faktor yang menyebabkan penyakit jantung antara lain keturunan, usia, jenis kelamin, stres, kurang gerak, merokok, kolesterol tinggi, hipertensi, diabetes, dan obesitas. Pada dasarnya penyakit jantung dapat dicegah dengan berbagai faktor diantaranya pola hidup sehat, selain itu deteksi dini penyakit jantung juga diperlukan untuk mencegah terjadinya kematian pada penderitanya salah satu cara untuk melakukan deteksi dini ialah menggunakan data mining. Penggunaan algoritma k-means dapat dilakukan untuk melakukan klasterisasi pengelompokan penyakit jantung guna mengetahui seseorang terkena penyakit jantung maupun tidak. Metode klasterisasi dengan algoritma k-means pada penelitian ini menunjukkan sebuah wawasan baru yaitu pengelompokkan tingkat resiko penyakit jantung berdasarkan 3 cluster. Cluster 1 merupakan kategori usia dengan tingkat resiko penyakit jantung cukup rendah atau Low yaitu 355 dari 1025 kategori usia yang diuji, kemudian cluster 2 adalah kategori usia dengan tingkat resiko penyakit jantung sedang atau Medium yaitu 208 dari 1025 kategori usia yang diuji, dan terakhir adalah cluster 3 merupakan kategori usia dengan tingkat kategori usia cukup tinggi atau High yaitu 462 dari 1025 kategori usia yang diuji.]]>
<![CDATA[Prediction of Liver Disease Using a Linear Regression Algorithm ]]>
<![CDATA[Deny Haryadi]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Arif Rahman Hakim]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol 5 No 1 ]]>
Publisher : <![CDATA[PPM Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52661/j_ict.v5i1.182
<![CDATA[The liver is the most essential organ in the human body. Hepatitis is one such disorder affecting the liver and is a global health issue, including in Indonesia. Liver disease is an inflammatory condition of the liver that can be triggered by genetic factors, viral infections, alcohol consumption, and the use of certain drugs. In principle, prevention of hepatitis or liver disease can be done by adopting a healthy lifestyle. In addition, early detection is also very important in preventing death in those affected by this disease. One method for early detection is through the application of data mining, which can help predict and reduce mortality in patients affected by this disease. Linear regression is a data mining technique utilized to predict the dependent variable or outcome based on the independent variable or predictor. The study conducted tests on this algorithm and obtained a Root Mean Squared Error of 0.349 +/- 0.000. This indicates the presence of a correlation or functional relationship (cause and effect) between the dependent variable (criterion) and the independent variable (predictor). The purpose of this testing process is to detect liver disease using the linear regression algorithm.]]>
<![CDATA[Klasterisasi Stok Produk Retail Untuk Menetukan Pergerakan Kebutuhan Konsumen Dengan Algoritma K-Means ]]>
<![CDATA[Niko Suwaryo Niko]]>;
<![CDATA[Arif Rahman]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Amat Basri]]>
<![CDATA[ Bulletin of Information Technology (BIT) Vol 4 No 3: September 2023 ]]>
Publisher : <![CDATA[Forum Kerjasama Pendidikan Tinggi (FKPT) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47065/bit.v4i3.736
<![CDATA[− Retail product clustering is a product arrangement that is adjusted to the flow of placement or this layout is more suitable for product placement according to standards. Utilization of existing data through the clustering method approach can be applied in analyzing product grouping of data on availability and inventory of goods in warehouses so that it can provide knowledge and information. The clustering method is processed using the K-Means algorithm, where the results also show a new insight, namely grouping products based on 3 clusters. Cluster 1 is a product category with low availability or Low, namely 939 out of 1000 availability categories based on the number of products tested, then cluster 2 is a product category with medium or Medium availability, namely 51 out of 1000 availability categories based on the number of products tested, and finally cluster 3 is a product category with fairly high availability or High, namely 10 out of 100 availability categories based on the number of products tested. Tests using Rapid Miner tools can also produce similar insights, namely that each cluster has cluster group members according to manual calculations such as Cluster_0 in Rapid Miner has 51 cluster members representing the Medium cluster, Cluster_1 has 939 cluster group members representing the Low cluster, and Cluster_2 has 10 cluster members corresponding to the cluster representation High.]]>
<![CDATA[Prediksi Penyakit Diabetes Untuk Pencegahan Dini Dengan Metode Regresi Linear ]]>
<![CDATA[Niko Suwaryo Niko]]>;
<![CDATA[Arif Rahman]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Amat Basri]]>
<![CDATA[ Bulletin of Information Technology (BIT) Vol 4 No 3: September 2023 ]]>
Publisher : <![CDATA[Forum Kerjasama Pendidikan Tinggi (FKPT) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47065/bit.v4i3.739
<![CDATA[Estimation is a method in which we can estimate the population value by using the sample value and which can model an equation to calculate the estimate i.e. a linear regression algorithm attempts to model the relationship between two variables by fitting a linear equation to observe the data. The application of a simple Linear Regression algorithm model can be implemented well and is able to provide a new insight for the need for predictions about the condition of diabetes data quality in controlling sugar levels in the body. Predictions of diabetes in the future can be known through the use of datasets using a prediction method approach through structured stages in analyzing the data used to produce an RSME value when evaluating a model of 0.000 +/- 0.000. Performance testing of the models and algorithms used in the evaluation can produce a picture that is relevant to the scenario being modeled. The RMSE value is obtained when evaluating the model performance of 0.000 +/- 0.000 through the RapidMiner Studio application.]]>
<![CDATA[Klasifikasi Metode Persalinan pada Ibu Hamil Menggunakan Algoritma Random Forest Berbasis Mobile ]]>
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Arif Rahman Hakim]]>;
<![CDATA[Amat Basri]]>;
<![CDATA[Andri Ariyanto]]>
<![CDATA[ JRST (Jurnal Riset Sains dan Teknologi) Volume 7 No. 2 September 2023: JRST ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Purwokerto ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30595/jrst.v7i2.16705
<![CDATA[Tren angka kematian ibu pada saat melahirkan masih tinggi di Indonesia, yakni sekitar 300 per 100.000 kelahiran. Pemerintah Indonesia berencana untuk menurunkan angka tersebut menjadi 183 per 100.000 kelahiran pada tahun 2024 mendatang. Salah satu faktor penyebab kematian ibu hamil di Indonesia disebabkan oleh hipertensi dan terjadinya pendarahan pada saat melahirkan dan dibutuhkannya metode penanganan dalam persalinan. Adapun metode persalinan ibu hamil secara garis besar terbagi menjadi dua metode yaitu normal dan Caesar. Caesar adalah alternatif terakhir dalam persalinan, dikarenakan faktor risiko yang cukup tinggi, meskipun demikian, jumlah ibu yang menggunakan metode Caesar pada saat persalinan mengalami peningkatan yang cukup signifikan, khususnya di Indonesia. Metode persalinan pada ibu hamil dapat diklasifikasikan sesuai dengan kondisi ibu untuk menghindari risiko kematian ibu akibat pemilihan metode persalinan yang tidak tepat. Permasalahan tersebut dapat diselesaikan dengan memanfaatkan teknologi Machine Learning menggunakan algoritma random forest, dengan tujuan untuk membangun sebuah sistem yang dapat mengklasifikasi metode persalinan yang tepat berdasarkan kumpulan data persalinan ibu hamil yang telah disediakan. Dengan adanya sistem ini diharapkan dapat membantu para ibu hamil dalam melakukan screening awal untuk menentukan tindakan yang harus dilakukan agar proses persalinan berjalan dengan lancar dan meminimalisir risiko kematian ibu.]]>
<![CDATA[PREDICTION OF BIODIESEL FUEL PRICES USING MULTIPLE LINEAR REGRESSION ALGORITHMS ]]>
<![CDATA[Deny Haryadi]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Adi Kuncoro]]>
<![CDATA[ JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer) Vol. 9 No. 2 (2024): JITK Issue February 2024 ]]>
Publisher : <![CDATA[LPPM Nusa Mandiri ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33480/jitk.v9i2.4381
<![CDATA[Biodiesel is a fuel derived from palm oil and a type of fuel that is an alternative to renewable energy, can be renewed and has the potential to become a substitute for fossil sources that are used non-stop. The utilize of biodiesel can be an arrangement for Indonesia to diminish reliance on imported diesel fuel since biodiesel does not contain sulfur and is demonstrated to be ecologically inviting. The price of biodiesel-type biofuels can increase, decrease, or remain constant due to factors that influence it, including the price of biodiesel competitors, palm oil, and world crude oil. For this reason, it is necessary to have a method that can predict the price of biodiesel-type fuel so that in the future, the price of biodiesel-type biofuel does not decrease or become unable to compete with its competitors. Prediction of biodiesel fuel prices can be done by implementing a multiple linear regression algorithm, one of the data mining algorithms. RMSE results obtained in this study were 0.003 with a standard deviation of +/- 0.000 so it can be concluded that this algorithm is quite accurate in predicting the price of biodiesel-type biofuels. A comparison of the results of manual calculations with the implementation of RapidMiner in the study obtained the same results because there was a causal relationship between attributes. The use of the multiple linear regression algorithm in this research is useful in planning the right strategy and making decisions to maintain biodiesel market price stability in the future.]]>
<![CDATA[Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Risiko Penyakit Jantung ]]>
<![CDATA[Deny Haryadi]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol. 3 No. 2 (2021) ]]>
Publisher : <![CDATA[PPM Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52661/j_ict.v3i2.85
<![CDATA[Penyakit jantung merupakan sebuah kondisi dimana jantung tidak dapat melaksanakan tugasnya dengan baik, penyakit ini terjadi bila darah ke otot jantung terhenti atau tersumbat sehingga mengakibatkan kerusakan berat pada jantung. Beberapa faktor yang menyebabkan penyakit jantung antara lain keturunan, usia, jenis kelamin, stres, kurang gerak, merokok, kolesterol tinggi, hipertensi, diabetes, dan obesitas. Pada dasarnya penyakit jantung dapat dicegah dengan berbagai faktor diantaranya pola hidup sehat, selain itu deteksi dini penyakit jantung juga diperlukan untuk mencegah terjadinya kematian pada penderitanya salah satu cara untuk melakukan deteksi dini ialah menggunakan data mining. Penggunaan algoritma k-means dapat dilakukan untuk melakukan klasterisasi pengelompokan penyakit jantung guna mengetahui seseorang terkena penyakit jantung maupun tidak. Metode klasterisasi dengan algoritma k-means pada penelitian ini menunjukkan sebuah wawasan baru yaitu pengelompokkan tingkat resiko penyakit jantung berdasarkan 3 cluster. Cluster 1 merupakan kategori usia dengan tingkat resiko penyakit jantung cukup rendah atau Low yaitu 355 dari 1025 kategori usia yang diuji, kemudian cluster 2 adalah kategori usia dengan tingkat resiko penyakit jantung sedang atau Medium yaitu 208 dari 1025 kategori usia yang diuji, dan terakhir adalah cluster 3 merupakan kategori usia dengan tingkat kategori usia cukup tinggi atau High yaitu 462 dari 1025 kategori usia yang diuji.]]>
<![CDATA[Prediction of Liver Disease Using a Linear Regression Algorithm ]]>
<![CDATA[Deny Haryadi]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Arif Rahman Hakim]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol. 5 No. 1 ]]>
Publisher : <![CDATA[PPM Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52661/j_ict.v5i1.182
<![CDATA[The liver is the most essential organ in the human body. Hepatitis is one such disorder affecting the liver and is a global health issue, including in Indonesia. Liver disease is an inflammatory condition of the liver that can be triggered by genetic factors, viral infections, alcohol consumption, and the use of certain drugs. In principle, prevention of hepatitis or liver disease can be done by adopting a healthy lifestyle. In addition, early detection is also very important in preventing death in those affected by this disease. One method for early detection is through the application of data mining, which can help predict and reduce mortality in patients affected by this disease. Linear regression is a data mining technique utilized to predict the dependent variable or outcome based on the independent variable or predictor. The study conducted tests on this algorithm and obtained a Root Mean Squared Error of 0.349 +/- 0.000. This indicates the presence of a correlation or functional relationship (cause and effect) between the dependent variable (criterion) and the independent variable (predictor). The purpose of this testing process is to detect liver disease using the linear regression algorithm.]]>
<![CDATA[Analisis dan Perancangan Sistem Informasi E-Jahit Menggunakan Location Based Services (LBS) Berbasis Mobile Apps ]]>
<![CDATA[Arif Rahman Hakim]]>;
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Deny Haryadi]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol. 5 No. 2 (2023) ]]>
Publisher : <![CDATA[PPM Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52661/j_ict.v5i2.207
<![CDATA[Industri jasa jahit dan konveksi di Indonesia telah mengalami pertumbuhan pesat, namun juga menghadapi tantangan signifikan seiring dengan perubahan yang terjadi dalam era digital. Penggunaan aplikasi mobile yang memiliki Location Based Services (LBS) sebagai fitur utama membawa potensi besar dalam mempermudah pelanggan dalam menemukan penjahit yang sesuai dengan preferensi dan lokasi mereka. Selain itu, pemanfaatan LBS juga memberikan manfaat yang signifikan bagi penjahit dalam meningkatkan visibilitas, mengelola pesanan dengan lebih efisien, serta memungkinkan interaksi langsung dengan pelanggan. Dalam konteks ini, pengembangan sistem informasi E-Jahit berbasis lokasi dengan pendekatan Waterfall dan pengujian Black Box menjadi langkah inovatif yang penting dalam industri jahit-menjahit. Sistem ini memungkinkan terjalinnya koneksi yang lebih efisien antara penjahit dan pelanggan, meningkatkan aksesibilitas, serta memberikan peluang bisnis yang signifikan kepada penjahit lokal. Pendekatan pengembangan dengan metode Waterfall memastikan tahapan pengembangan yang terstruktur, sementara pengujian Black Box membantu memverifikasi fungsi sistem secara menyeluruh. Hasil penelitian ini menunjukkan tingkat kesuksesan yang sangat positif, mencerminkan kehandalan sistem dan kinerja yang sangat baik. Dengan adopsi inovasi ini, diharapkan industri jasa jahit akan terus berkembang dan memberikan nilai tambah yang substansial bagi semua pihak yang terlibat dalam ekosistemnya.]]>
<![CDATA[Implementasi Location Based Services pada Sistem E-Laundry Berbasis Mobile dan Website ]]>
<![CDATA[Dewi Marini Umi Atmaja]]>;
<![CDATA[Arif Rahman Hakim]]>;
<![CDATA[Deny Haryadi]]>
<![CDATA[ Journal of Informatics and Communication Technology (JICT) Vol. 5 No. 2 (2023) ]]>
Publisher : <![CDATA[PPM Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52661/j_ict.v5i2.221
<![CDATA[Meningkatnya pemanfaatan Teknologi Informasi dan Komunikasi (TIK) telah menjadi salah satu faktor utama yang mendorong pertumbuhan Usaha Mikro, Kecil, dan Menengah (UMKM). Menurut informasi yang dirilis oleh Kementerian Koperasi dan Usaha Kecil Menengah Republik Indonesia (Kemenkop RI) pada tahun 2017, hampir 8 juta UMKM telah mengadopsi model bisnis berbasis digital. Diharapkan angka ini terus meningkat sejalan dengan upaya pemerintah untuk menjadikan Indonesia sebagai pusat Energi Digital di kawasan Asia. Saat ini, sektor UMKM yang mengalami pertumbuhan pesat adalah bisnis jasa laundry yang menyediakan layanan pencucian dan penyetrikaan pakaian. Untuk menjaga pelanggan yang telah ada dan menarik pelanggan baru, pemilik usaha laundry perlu terus meningkatkan kualitas layanan mereka. Salah satu strategi yang dapat diterapkan adalah mengembangkan sistem informasi e-laundry yang dapat membantu pengusaha dalam mengelola data pelanggan. Ini akan membantu mengurangi risiko kesalahan yang seringkali disebabkan oleh faktor manusia. Pembangunan sistem informasi e-laundry ini menggunakan metode waterfall dan unified modelling language sebagai model pengembangan sistem. Model ini dipilih karena dapat menggambarkan, merencanakan, dan mendokumentasikan struktur serta interaksi komponen dalam suatu sistem dengan sangat baik. Berdasarkan hasil pengujian menggunakan metode blackbox testing pada sistem informasi e-laundry yang telah dibangun, dapat disimpulkan bahwa sistem informasi e-laundry telah beroperasi secara optimal. Hasil pengujian menunjukkan bahwa seluruh modul dalam sistem berjalan sesuai dengan fungsinya, mencapai tingkat keberhasilan sebesar 100%.]]>
