Garuda - Garba Rujukan Digital

GENETIC ALGORITHM FOR FEATURE SELECTION IN NAÏVE BAYES IN LIFE RESISTANCE CLASSIFICATION ON BREAST CANCER PATIENT Dhika Malita Puspita Arum; Andri Triyono
Julia: Jurnal Ilmu Komputer An Nuur Vol 1 No 01 (2021): Julia Jurnal
Publisher : LPPM Universitas An Nuur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35720/julia.v1i01.14

Breast cancer is the most common cancer in women's suffering and is the second leading cause of death for women (after lung cancer). More than one million cases and nearly 600,000 breast cancer deaths occur worldwide each year. Survival is generally defined as surviving patients over a period of time after the diagnosis of the disease. Accurate predictions about the likelihood of survival of breast cancer patients can allow doctors and healthcare providers to make more informed decisions about patient care. To classify the survival of breast cancer patients can do the utilization of data mining techniques with Naive Bayes algorithm. Naive Bayes is very simple and efficient but very sensitive to the features so from it the selection of the appropriate features is in need because irrelevant features can reduce the level of accuracy. Naive Bayes will work more effectively when combined with some attribute selection procedures such as Genetic Algorithm. In this study the researchers proposed the Genetic Algorithm for Feature Selection on Naive Bayes so as to improve the accuracy of breast cancer survival classification results. In this study using a private dataset breast cancer patients. The results show that Naive Bayes Genetic Algorithm has a higher accuracy of 90% compared to Naive Bayes with 86% accuracy

PENGGUNAAN ALGORITMA FP-GROWTH UNTUK MENENTUKAN PAKET PENJUALAN PADA TOKO PERLENGKAPAN KONVEKSI SRI BUSANA Andri Triyono; Dhika Malita Puspita Arum; Rahmawan Bagus Trianto
Julia: Jurnal Ilmu Komputer An Nuur Vol 2 No 01 (2022): Julia Jurnal
Publisher : LPPM Universitas An Nuur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35720/julia.v2i01.16

Consumers of the Sri Busana convection shop are mostly tailors, both home and convection tailors, which are pretty large, especially in Grobogan district. The increasing number of fashion businesses or tailors in Grobogan district makes data on goods and sales at the sri busana convection shop increase because the sri busana convection shop always strives to meet the needs of tailors or home convection. In overcoming the problem of finding more efficient consumer patterns, an analysis of buying patterns is carried out. Consumer buying patterns were analyzed using Association rules and FP-Growth methods. With this algorithm, the process of determining consumer purchasing patterns consists of 2 product combinations with a support value of 50% and a confidence value of 100%. 3 product combinations with a support value of 40% and a confidence value of 80%. 4 product combinations with a support value of 40% and a confidence value of 80%.

OPTIMIZATION OF PARTICLE SWARM OPTIMIZATION IN NAÏVE BAYES FOR CAESAREAN BIRTH PREDICTION Dhika Malita Puspita Arum; Andri Triyono; Eko Supriyadi; Rahmawan Bagus Trianto
Julia: Jurnal Ilmu Komputer An Nuur Vol 2 No 01 (2022): Julia Jurnal
Publisher : LPPM Universitas An Nuur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35720/julia.v2i01.17

The Maternal Mortality Rate (MMR) in 2017 according to the World Health Organization (WHO) is estimated to reach 296,000 women who die during and after pregnancy or childbirth. Caesarean birth is the last alternative in labor if the mother cannot give birth normally due to certain indications with a high risk, both for the mother and the baby. factors of a mother giving birth by caesarean section, such as placenta previa, hypertension, breech baby, fetal distress, narrow hips, and can also experience bleeding in the mother before the delivery stage. It is hoped that delivery by caesarean method can minimize problems for the baby and mother. Accurate prediction of the condition of the mother's pregnancy can enable d octors, health care providers and mothers to make more informed decisions regarding the management of childbirth. To predict caesarean births, data mining techniques using the Naive Bayes algorithm can be used. Naive Bayes is very simple and efficient but very sensitive to features, therefore the selection of appropriate features is very necessary because irrelevant features can reduce the level of accuracy. Naive Bayes will work more effectively when combined with several attribute selection procedures such as Particle Swarm Optimization. In this study, the researcher proposes a Particle Swarm Optimization algorithm for attribute weighting in Naive Bayes so as to increase the accuracy of Caesarean birth prediction results

PENERAPAN SISTEM INFORMASI STOK BARANG BERBASIS APLIKASI UNTUK MENINGKATKAN EFISIENSI PENGELOLAAN INVENTARIS PADA TOKO SEMBAKO Agus Condro Wibowo; Dwi Kurniawan Aprilianto; Ahmad Yususf Mufarihin; Andri Triyono; Dhika Malita Puspita Arum
Julia: Jurnal Ilmu Komputer An Nuur Vol 5 No 1 (2025): Julia Jurnal
Publisher : LPPM Universitas An Nuur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35720/julia.v5i1.22

Perkembangan teknologi informasi yang berkembang pesat memberikan dampak yang signifikan ke berbagai sektor, seperti pengelolaan inventaris di sektor ritel. penelitian ini bertujuan untuk menerapkan sistem informasi yang berbasis aplikasi untuk stock barang agar meningkatkan efisiensi pengelolaan inventaris pada toko. aplikasi yang di bangun di harapkan dapat mempermudah pemantauan stok barang, mempercepat proses pencatatan transaksi, serta meminimalisir kesalahan dalam mengelola data stock. metode yyang di gunakan dalam penelitian ini adalah pengembangan aplikasi berbasis perangkat lunak yang dapat memberikan hasil laporan inventaris secara akurat. hasil yang di harapkan dari penerapan sistem informasi ini adalah pengurangan tingkat kesalahan, serta pengelolaan stok yang lebih mudah dan cepat. Penelitian ini memiliki kontribusi dalam memberikan solusi bagi toko-toko untuk menghadapi tantangan pengelolaan inventaris yang lebih kompleks di era digital sekarang.

Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer Hayuningtyas, Arindhya Ratna; Arum, Dhika Malita Puspita; Supriyadi, Eko
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.420

Stunting merupakan permasalahan gizi kronis akibat kekurangan nutrisi jangka panjang dan infeksi berulang, yang menghambat pertumbuhan anak. Di Indonesia, angka prevalensi stunting masih berada pada tingkat yang cukup tinggi dan belum memenuhi target nasional, yaitu 14% pada tahun 2024. Jawa Tengah mencatat angka 20,7% pada tahun 2023. Kabupaten Grobogan melaporkan 9,15% balita telah terindikasi stunting. Penanganan stunting membutuhkan pendekatan berbasis data, salah satunya melalui algoritma K-Means Clustering yang mampu mengelompokkan data secara efektif. Penelitian dengan metode tersebut untuk mengelompokkan balita stunting di Kecamatan Geyer. Tiga proses dilakukan secara berurutan: klasterisasi berdasarkan usia, klasterisasi berdasarkan kombinasi usia, berat badan, dan tinggi badan, serta analisis distribusi wilayah berdasarkan hasil klaster. Hasil klaster menunjukkan bahwa balita dapat dikelompokkan ke dalam beberapa klaster dengan kemiripan karakteristik pertumbuhan. Evaluasi menggunakan Silhouette Coefficient menghasilkan nilai yang cukup optimal di setiap prosesnya. Dengan nilai evaluasi yang dihasilkan menggunakan Sillhouette Coefficient, Algoritma K-Means mampu memberikan gambaran awal mengenai karakteristik balita stunting dan dapat dimanfaatkan untuk mendukung perencanaan intervensi gizi secara lebih terstruktur.

Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan Rismawati, Puput; Supriyadi, Eko; Arum, Dhika Malita Puspita
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.421

Kebutuhan darah di Indonesia masih tinggi dan sering tidak sebanding dengan jumlah pendonor yang tersedia. Untuk memastikan kualitas donor, PMI menerapkan kriteria kesehatan tertentu. Namun, proses seleksi masih dilakukan secara manual sehingga memerlukan metode analisis yang lebih efektif. Perkembangan teknik data mining memungkinkan penerapan algoritma klasifikasi untuk menentukan kelayakan pendonor darah secara akurat. Penelitian ini menggunakan dataset pendonor darah dari PMI Kabupaten Grobogan. Menggunakan tiga algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree C4.5, dan Support Vector Machine (SVM), diimplementasikan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi sebesar 96,77%. Naïve Bayes menghasilkan akurasi 75,47% dengan AUC, sedangkan SVM memperoleh akurasi 72,38%. Algoritma C4.5 paling efektif untuk klasifikasi kelayakan pendonor darah, karena akurat sekaligus mudah diinterpretasi. Ini bisa menjadi dasar pengembangan sistem pendukung keputusan berbasis data mining guna membantu proses seleksi pendonor secara lebih cepat dan objektif.

Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan Rismawati, Puput; Supriyadi, Eko; Arum, Dhika Malita Puspita
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.421

Kebutuhan darah di Indonesia masih tinggi dan sering tidak sebanding dengan jumlah pendonor yang tersedia. Untuk memastikan kualitas donor, PMI menerapkan kriteria kesehatan tertentu. Namun, proses seleksi masih dilakukan secara manual sehingga memerlukan metode analisis yang lebih efektif. Perkembangan teknik data mining memungkinkan penerapan algoritma klasifikasi untuk menentukan kelayakan pendonor darah secara akurat. Penelitian ini menggunakan dataset pendonor darah dari PMI Kabupaten Grobogan. Menggunakan tiga algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree C4.5, dan Support Vector Machine (SVM), diimplementasikan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi sebesar 96,77%. Naïve Bayes menghasilkan akurasi 75,47% dengan AUC, sedangkan SVM memperoleh akurasi 72,38%. Algoritma C4.5 paling efektif untuk klasifikasi kelayakan pendonor darah, karena akurat sekaligus mudah diinterpretasi. Ini bisa menjadi dasar pengembangan sistem pendukung keputusan berbasis data mining guna membantu proses seleksi pendonor secara lebih cepat dan objektif.

Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer Hayuningtyas, Arindhya Ratna; Arum, Dhika Malita Puspita; Supriyadi, Eko
Go Infotech: Jurnal Ilmiah STMIK AUB Vol 31, No 2 (2025): December
Publisher : Sekolah Tinggi Manajemen Informatika dan Komputer AUB - Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36309/goi.v31i2.420

Stunting merupakan permasalahan gizi kronis akibat kekurangan nutrisi jangka panjang dan infeksi berulang, yang menghambat pertumbuhan anak. Di Indonesia, angka prevalensi stunting masih berada pada tingkat yang cukup tinggi dan belum memenuhi target nasional, yaitu 14% pada tahun 2024. Jawa Tengah mencatat angka 20,7% pada tahun 2023. Kabupaten Grobogan melaporkan 9,15% balita telah terindikasi stunting. Penanganan stunting membutuhkan pendekatan berbasis data, salah satunya melalui algoritma K-Means Clustering yang mampu mengelompokkan data secara efektif. Penelitian dengan metode tersebut untuk mengelompokkan balita stunting di Kecamatan Geyer. Tiga proses dilakukan secara berurutan: klasterisasi berdasarkan usia, klasterisasi berdasarkan kombinasi usia, berat badan, dan tinggi badan, serta analisis distribusi wilayah berdasarkan hasil klaster. Hasil klaster menunjukkan bahwa balita dapat dikelompokkan ke dalam beberapa klaster dengan kemiripan karakteristik pertumbuhan. Evaluasi menggunakan Silhouette Coefficient menghasilkan nilai yang cukup optimal di setiap prosesnya. Dengan nilai evaluasi yang dihasilkan menggunakan Sillhouette Coefficient, Algoritma K-Means mampu memberikan gambaran awal mengenai karakteristik balita stunting dan dapat dimanfaatkan untuk mendukung perencanaan intervensi gizi secara lebih terstruktur.

Title

Found 18 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 18 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 18 Documents
Search