Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Journal of Applied Information, Communication and Technology (JAICT) IC Tech: Majalah Ilmiah
M. Adib Al Karomi
STMIK Widya Pratama
Computer Science & IT Economics, Econometrics & Finance Engineering

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : IC Tech: Majalah Ilmiah

 1 
Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus Indrayanti Indrayanti; Devi Sugianti; M. Adib Al Karomi
IC-Tech Vol 12 No 2 (2017): IC-Tech Volume XII No.2 Oktober 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (385.246 KB) | DOI: 10.47775/ictech.v12i2.3

Abstract

Diabetes Mellitus  merupakan salah satu penyakit kronis yang mematikan. Penyakit yang juga dikenal dengan nama penyakit kencing manis ini terjadi akibat kadar glukosa di dalam darah terlalu tinggi. Diabetes Mellitus banyak diteliti di banyak negara pada saat ini karena peningkatan penderita yang banyak dan sangat mengkhawatirkan. Menurut WHO saat ini lebih dari 246 juta jiwa menderita diabetes dan diperkirakan akan meningkat menjadi 380 juta jiwa pada tahun 2025 apabila tidak dilakukan penanganan yang serius. Dibetes menyebabkan penyakit lain / komplikasi yang setiap tahunya mengakibatkan kematian hingga 3,8 juta jiwa. Data mining merupakan kegiatan menemukan sebuah pola, aturan dan pengetahuan baru dari sebuah dataset. Salah satu fungsi mayor data mining adalah klasifikasi. KNN merupakan salah satu algoritma klasifikasi data mining terbaik dan banyak digunakan. Algoritma KNN bekerja dengan cara menghitung kedekatan data testing dengan keseluruhan data training. K dalam KNN merupakan variabel jumlah tetangga terdekat yang akan diambil untuk proses klasifikasi. Jumlah K=1 akan membuat hasil klasifikasi terasa kalu karena hanya memperhitungkan satu tetangga terdekat atau satu record karakteristik data terdekat. Sedangkan jumlah K yang terlalu banyak akan menghasilkan klaasifikasi yang samar. Dari hasil penelitian yang telah dilakukan disimpulkan bahwa penggunaan algoritma seleksi fitur gain ratio dapat meningkatkan akurasi dari klasifikasi penyakit diabetus mellitus dengan menggunakan algoritma knn. Adapun kenaikan akurasi tertinggi didapatkan pada nilai treshold 0,152 dengan hanya mempertahankan 4 atribut dari keseluruhan 8 atribut data.
Sistem Pendukung Keputusan Persetujuan Kredit dengan Pemanfaatan Information Gain untuk Pembobotan Atribut Klasifikasi K-Nearest Neighbour Ivandari Ivandari; Tria Titiani Chasanah; M. Adib Al Karomi
IC-Tech Vol 12 No 2 (2017): IC-Tech Volume XII No.2 Oktober 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (441.53 KB) | DOI: 10.47775/ictech.v12i2.5

Abstract

Kredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Dari peningkatan tersebut maka Sistem Pendukung Keputusan yang dibuat hanya menggunakan atribut yang terpilih untuk meningkatkan akurasi. SPK yang tercipta dapat memberikan rekomendasi kepada manajemen berdasarkan perhitungan dan kedekatan data testing dengan keseluruhan data training yang telah ada sebelumnya.
Penerapan Metode Sample Bootstrapping untuk Meningkatkan Performa kNearest Neighbor pada Dataset Berdimensi Tinggi Tri Agus Setiawan; M. Adib Al Karomi
IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (312.96 KB) | DOI: 10.47775/ictech.v12i1.13

Abstract

Dalam klasifikasi semakin banyak atribut yang relevan yang dipakai akan mempengaruhi hasil akurasi dari algoritma tersebut. Seleksi fitur merupakan salah satu tahapan pre processing klasifikasi dengan cara menghilangkan fitur yang tidak relevan dalam data. Proses ini juga dapat mengurangi dimensi data serta meningkatkan akurasi  klasifikasi. Algoritma kNearest Neighbor (kNN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan k tetangga terdekatnya. Algoritma kNN memiliki kelebihan karena sederhana, efektif dan telah banyak digunakan pada banyak masalah klasifikasi. Pada penelitian ini penggunaan metode Sample Bootstrapping diusulkan untuk meningkatkan akurasi yang optimal pada algoritma kNN. Metode Sample Bootstrapping digunakan untuk mengurangi jumlah data training yang akan diproses. Dalam penelitian ini menggunakan dataset yang memiliki dataset dengan dimensi yang tinggi. Dari hasil penelitian, penggunaan Sample Bootstrapping dengan algoritma pada dataset credit approval akurasinya meningkat 5.4% (96.87%-91.52%) dibandingkan algoritma kNN standar. Dari hasil penelitian yang dilakukan, dapat disimpulkan bahwa penggunaan Sample Bootstrapping dengan algoritma kNN menghasilkan akurasi yang lebih baik daripada algoritma kNN standar.
Optimasi Algoritma Naïve Bayes dengan Information Gain Ratio untuk Menangani Dataset Berdimensi Tinggi M. Adib Al karomi; Ivandari Ivandari
IC-Tech Vol 14 No 2 (2019): IC-Tech Volume XIV No.2 Oktober 2019
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (498.943 KB) | DOI: 10.47775/ictech.v14i2.61

Abstract

Perkembangan ilmu komputer sekarang memungkinkan adanya pencatatan semua proses bisnis di segala bidang  dengan  media  penyimpanan  yang  besar.  Data  di  bidang  atronomi,  kesehatan,  ekonomi, pemerintahan  dan  sebagainya  banyak  tercatat  dan  semakin  banyak  dari  tahun  ke  tahun.  Data  mining merupakan  ilmu  yang  dapat  mengolah  data  menjadi  sebuah  representasi  pengetahuan  dengan menggunakan beberapa metode atau algoritma matematis. Salah satu fungsi utama data mining adalah klasifikasi.  Dalam  proses  klasifikasi  semua  data  lama  digunakan  sebagai  data  pembelajaran  untuk menyimpulkan data baru yang belum sepenuhnya diketahui. Data yang sebelumnya tidak memiliki makna dapat menjadi sebuah pengetahuan baru dengan menggunakan klasifikasi data mining. Banyak algoritma yang  dapat  digunakan  dalam  proses  klasifikasi.  Salah  satu  algoritma  yang  terbukti  baik  untuk  proses klasifikasi data berdimensi tinggi adalah naïve bayes. Dalam data berdimensi tinggi banyaknya atribut data dapat mempengaruhi hasil klasifikasi. Banyaknya atribut data yang relevan dapat meningkatkan performa algoritma.  Sedangkan  banyaknya  atribut  data  yang  tidak  relevan  dapat  menurunkan  tingkat  akurasi sebuah algoritma. Dari hasil penelitian ini diketahui bahwa seleksi fitur information gain dapat meningkatkan performa klasifikasi naive bayes.
Algoritma K-NN untuk klasifikasi dataset Covid-19 survillance Ivandari Ivandari; M. Adib Al Karomi
IC-Tech Vol 16 No 1 (2021): IC-Tech: Majalah Ilmiah Volume XVI No. 1 April 2021
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (711.748 KB) | DOI: 10.47775/ictech.v16i1.137

Abstract

Covid-19 merupakan jenis virus mutasi baru yang banyak ditemukan dan diteliti di seluruh dunia. Untuk sementara belum ditemukan obat yang efektif untuk mengobati atau mencegah penyakit tersebut. Salah satu cara yang dilakukan berbagai pemerintahan di dunia adalah membatasi kontak fisik dengan penderita covid-19. Data mining adalah salah satu ilmu computer untuk mempelajari data dan menlakukan ekstraksi untuk mendapatkan sebuah pengetahuan baru. Salah satu teknik dalam data mining adalah klasifikasi. K-NN adalah salah satu algoritma klasifikasi terbaik. Penelitian ini melakukan klasifikasi dataset Covid-19 survillance menggunakan algoritma K-NN. Dataset Covid-19 survillance didapatkan dari portal data public yaitu uci machine learning repository. Hasil klasifikasi dengan menggunakan aplikasi bantu rapid miner menghasilkan tingkat akurasi dari K-NN adalah 55%. Tingkat akurasi 55% tergolong dalam tingkat akurasi yang rendah. Rendahnya tingkat akurasi ini dapat disebabkan oleh sedikitnya atribut yang digunakan dalam klasifikasi K-NN, serta adanya dominasi dari salah satu varian dalam atribut label.
KOMPARASI ALGORITMA UNTUK KLASIFIKASI DATASET COVID-19 SURVILLANCE Ivandari Ivandari; M. Adib Al Karomi
IC-Tech Vol 16 No 2 (2021): IC-Tech Volume XVI No. 2 Oktober 2021
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (608.562 KB)

Abstract

Pandemi covid-19 yang terjadi di dunia saat ini merupakan yang terbesar selama lebih dari satu decade. Banyaknya penderita, kurangnya kesadaran masyarakat, serta adanya mutasi baru dari virus merupakan beberapa faktor pendukung kenaikan kasus covid-19. Di semua bidang dilakukan penelitian guna menurunkan tingkat keparahan penyakit, menghentikan penyebaran, serta mengobati pasien terdampak virus. Di bidang data mining banyak dilakukan penelitian dengan menggunakan dataset yang ada untuk memperoleh pengetahuan baru. Pengetahuan inilah yang nantinya dapat digunakan sebagai dasar untuk menentukan kebijakan institusi, perusahaan bahkan untuk pemerintahan. Dalam penelitian ini membandingkan algoritma KNN, Neural Network, Bayes, serta Decission Tree untuk klasifikasi dataset Covid-19 survillance. Dataset yang digunakan adalah data dari Kementrian Kesehatan Republik Indonesia. Data ini diambil dari portal penyedia data ternama yaitu uci repository. Dari hasil perhitungan membuktikan bahwa algoritma decision tree merupakan model terbaik untuk klasifikasi dataset Covid-19 survillance. Akan tetapi tingkat akurasi yang diperoleh decision tree dalam klasifikasi ini hanyalah 65% yang masih tergolong dalam tingkatan yang belum memuaskan. Kata Kunci : covid-19 survillance, akurasi, decision tree
Peningkatan Efisiensi Sistem Kontrol Persediaan dengan Metode Perpetual pada Toko Sepatu dan Tas Yogjakarta Kota Pekalongan Muhammad Faizal Kurniawan; M. Adib Al Karomi
IC-Tech Vol 15 No 1 (2020): IC-Tech Volume XV No.1 April 2020
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (273.252 KB)

Abstract

Toko Yogyakarta adalah sebuah perusahaan yang bergerak dibidang penjualan sepatu, tas, aksesoris, kebutuhan sekolah dan lain sebagainya. Dalam menjalankan kegiatan usahanya Toko Yogyakarta telah menggunakan aplikasi Point of Sales. Toko Yogyakarta memiliki sangat banyak jumlah persediaan barang yang akan dijual dengan berbagai jenis, warna dan ukuran. Ketersedian stok merupakan hal yang sangat penting bagi Toko Yogyakarta guna mendukung keputusan dalam pemesanan barang kepada supplier. Namun demikian, aplikasi yang ada saat ini belum mampu memberikan kepuasan terhadap pengguna dalam hal ini pemilik Toko Yogyakarta dalam hal perhitungan dan pelaporan ketersediaan barang. Hal ini disebabkan proses perhitungan persediaan yang dilakukan aplikasi sangat lama dan memakan sumber daya komputer yang cukup besar serta seringkali terjadi kegagalan sistem sehingga menimbulkan tidak validnya laporan persediaan yang disajikan. Penelitian ini bertujuan untuk mengatasi hal tersebut dengan menerapkan metode perpetual di bagian kontrol persediaan. Metode perpetual diterapkan dengan membuat trigger-trigger pada tabel-tabel yang terkait dengan persediaan. Trigger akan melakukan perhitungan stok akhir pada item barang secara otomatis ketika terjadi penjualan, barang masuk dan barang keluar. Hasil perhitungan trigger ditampung pada sebuah tabel stok akhir. Dengan cara ini maka tidak terjadi lagi proses perhitungan pada saat penyajian laporan. Penggunaan trigger mampu mempercepat proses perhitungan persediaan dan menguntungkan perusahaan karena tidak perlu ada penggantian aplikasi yang saat ini sudah berjalan sehingga kegiatan usaha tetap dapat berjalan sebagaima biasanya. Dibandingkan dengan metode yang sebelumnya, metode yang terbukti mampu mengurangi waktu tunggu dan beban kerja komputer secara signifikan pada saat penyajian laporan persediaan. Kata Kunci : persediaan, perpetual, trigger
Co-Authors Devi Sugianti Indrayanti Indrayanti Ivandari Ivandari Muhammad Faizal Kurniawan Tri Agus Setiawan Tria Titiani Chasanah