Article Per Year (5 Year)
p-Index From 2020 - 2025
1.556
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Ilmiah Intech : Information Technology Journal of UMUS LOGIC : Jurnal Ilmu Komputer dan Pendidikan AMMA : Jurnal Pengabdian Masyarakat Fahma : Jurnal Informatika Komputer, Bisnis dan Manajemen The Indonesian Journal of Computer Science
Abdul Mizwar A. Rahim
Informatika, Universitas Amikom Yogyakarta
Humanities Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing Other

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

Found 9 Documents
Search

 1 
Implementasi Algoritma Apriori Untuk Mengetahui Pola Pembelian Di Starcomp Jogja Abdul Mizwar A. Rahim; Guido Adolfus Suni; Setefensius Sasi; Galang Cahya Pangestu; Maikel Fainsenem; Muhammad Arsyad A
Jurnal Teknik Informatika UMUS Vol 2 No 01 (2020): Mei
Publisher : Universitas Muhadi Setiabudi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1015.566 KB) | DOI: 10.46772/intech.v2i01.187

Abstract

Toko Starcomp Jogja adalah salah satu toko yang bergerak dalam bidang bisnis yakni melakukan penjualan produk-produk Komputer, dimana Toko ini setiap harinya harus memenuhi kebutuhan konsumen dan dituntut untuk mengambil keputusan yang tepat dalam menentukan strategi penjualan. Maka Dengan itu pihak toko dapat memanfaatkan data transaksi penjualan yang telah disimpan sebelumnya dalam bentuk kertas atau yang telah disimpan dalam database agar kedepannya pihak Toko Starcomp Jogja dapat mengetahui kebiasaan pelanggan atau perilaku pelanggan tentang produk Komputer yang sering dibeli. Cara mengetahui produk Komputer yang dibeli secara bersamaan, pihak toko dapat menggunakan aturan asosiasi, yang merupakan teknik data mining untuk menemukan aturan asosiasi dan kombinasi antar item. Proses pencarian asosiasi menggunakan bantuan algoritma apriori untuk menghasilkan pola kombinasi item dan aturan sebagai pengetahuan dan informasi penting dari data transaksi penjualan. Hasil dari penelitian ini adalah dalam bentuk aplikasi untuk menganalisis pola belanja di mana pola yang dihasilkan dapat digunakan sebagai rekomendasi dalam menentukan strategi penjualan oleh toko Starcomp Jogja kedepan
Stroke Prediction Using Machine Learning Method with Extreme Gradient Boosting Algorithm Abd Mizwar A Rahim; Andi Sunyoto; Muhammad Rudyanto Arief
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 21 No 3 (2022)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (537.356 KB) | DOI: 10.30812/matrik.v21i3.1666

Abstract

Based on data obtained from WHO, stroke is a disease that ranks as the second most deadly disease. The cause of a stroke is when a blood vessel is hit or ruptured, resulting in a part of the brain not getting the blood supply that carries the oxygen it needs, leading to death. By utilizing technology in the health sciences, especially in the health sector, machine learning models can adjust and make it easier for users to predict certain diseases. Previous studies have had problems with low accuracy when used in healthcare. The purpose of this research is to increase accuracy by proposing the application of one of the ensemble learning algorithms, namely the Xtreme Gradient Boosting algorithm. This stroke prediction research uses the Xtreme Gradient Boosting Algorithm; the application of this method with split data Training data and 70/30 test data, 70% of the training data is 3582, 30% of the test data is 1536, and the results are 96% accuracy with these results having good results. This study increase accuracy in predicting stroke cases and get better accuracy than previous studies.
IMPLEMENTASI ALGORITMA GREEDY UNTUK MENCARI JALUR TERPENDEK PADA SEBUAH LOKASI WISATA KOTA TERNATE Hartatik; Abdul Mizwar A Rahim; Muhammad Aldi; Afdhal Walidy; Bagas Satrio Utomo
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 16 No 3 (2018): September 2018
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v16i3.86

Abstract

Ternate adalah sebuah daerah yang berada di bawah kaki gunung api Gamalama pada sebuah Pulau Ternate di Provinsi Maluku Utara. Ternate sendiri merupakan sebuah daerah yang mempunyai segudang tempat wisata diantaranya seperti wisata alam, wisata pantai serta wisata sejarah ada di Ternate, dari beberapa wisata di ternate terkadang pendatang/pengunjung yang ingin mengunjungi wisata yang di inginkan sering kebingungan melakukan pemilihan rute dengan jarak terdekat untuk bisa sampai ke wisata tujuan mereka. Salah satu jalan keluar/ pemecahan masalah yang di gunakan untuk mengatasi persoalan ini adalah dengan di dibuatnya perangkat system pencarian jalur terpendek untuk pemilihan rute terdekat ke sebuah tempat wisata daerah. Algoritma penentuan jalur terdekat wisata daerah yang di gunakan adalah algoritma greedy.
Analisis Perbandingan Algoritma XGBoost Dan Algoritma Random Forest Untuk Klasifikasi Data Kesehatan Mental Aditya Ananta Wisnu Wardana, Kadek; Mizwar A. Rahim, Abdul
LOGIC : Jurnal Ilmu Komputer dan Pendidikan Vol. 2 No. 5 (2024): Logic : Jurnal Ilmu Komputer dan Pendidikan
Publisher : Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesehatan mental merupakan sebuah perhatian utama dalam upaya meningkatkan kesejahteraan secara keseluruhan. Permasalahan kesehatan mental ini menjadi sesuatu yang tidak bisa diabaikan begitu saja dan perlu ditangani lebih lanjut. Namun, dalam dunia nyata masih banyak masyarakat yang belum menyadari hal tersebut. Oleh karena itu, penelitian ini dilakukan dengan menggunakan sebuah algoritma untuk klasifikasi kesehatan mental menggunakan perbandingan 2 algoritma yaitu Extreme Gradient Boost dan Random Forest dengan dataset yang diambil kaggle dengan nama mental health dataset.csv berdasarkan beberapa fitur yaitu Jenis Kelamin, Negara, Pekerjaan, Pengobatan, Stres yang Bertambah, Perubahan Kebiasaan, Riwayat Kesehatan Mental, Perubahan Mood, Wawancara Kesehatan Mental, dan Pilihan Perawatan. Metode penelitian dilakukan dengan pemeriksaan data dengan melakukan analisi pada dataset serta membagi data menjadi data training dan data test. Hasil penelitian pada algoritma Extreme Gradient Boost memiliki rata-rata nilai akurasi, presisi, recall, dan f1-score dalam 30 kali percobaan sebesar 99.82% sedangkan algoritma Random Forest memiliki rata-rata nilai akurasi, presisi, recall, dan f1-score dalam 30 kali percobaan sebesar 99.04%.
Optimasi Prediksi Diabetes Dengan Algoritma XGBoost Dan Teknik Preprocessing Data Brahmandjati, Andhika; Mizwar A. Rahim, Abd; Asharudin, Firman
LOGIC : Jurnal Ilmu Komputer dan Pendidikan Vol. 3 No. 1 (2024): Logic : Jurnal Ilmu Komputer dan Pendidikan
Publisher : Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes adalah penyakit metabolik kronis yang menjadi tantangan kesehatan global dengan prevalensi yang terus meningkat. Dalam upaya meningkatkan deteksi dini, penelitian ini menggunakan algoritma XGBoost (Extreme Gradient Boosting) untuk klasifikasi data diabetes. Model dikembangkan dengan tahapan preprocessing data yang komprehensif dan diuji pada dataset yang seimbang. Evaluasi performa model dilakukan menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa model memiliki akurasi 98%, precision 98%, recall 97%-99%, dan F1-score 98% pada kedua kelas (positif dan negatif). Confusion matrix mencatat True Positive (TP) sebanyak 201, True Negative (TN) sebanyak 190, False Positive (FP) sebanyak 6, dan False Negative (FN) sebanyak 3. Analisis lebih lanjut menunjukkan bahwa model memiliki performa yang sangat konsisten tanpa bias terhadap salah satu kelas. Dibandingkan dengan penelitian sebelumnya, model ini menunjukkan peningkatan akurasi yang signifikan hingga lebih dari 15%, dengan metode terbaik sebelumnya, yaitu Naive Bayes, hanya mencapai akurasi 82,3%. Keunggulan ini menjadikan algoritma XGBoost yang diterapkan dalam penelitian ini sebagai pendekatan yang lebih andal dan efektif untuk deteksi diabetes. Hasil penelitian ini memberikan kontribusi baru dalam pengembangan sistem prediksi berbasis data untuk mendukung pengambilan keputusan klinis.
Pelatihan Desain Grafis Menggunakan Aplikasi Canva Untuk Siswa Di SMK Kesehatan Binatama Mizwar A. Rahim, Abd; Bayu Sasongko, Theopilus; Asrawi, Hannan
AMMA : Jurnal Pengabdian Masyarakat Vol. 3 No. 11 : Desember (2024): AMMA : Jurnal Pengabdian Masyarakat
Publisher : CV. Multi Kreasi Media

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Technological development is an important factor as a driver of growth and progress in a country. Technology today plays a very important role, especially in the field of education. One way to deal with this is utilizing technology, which can be done by starting to introduce technology to students at an early age through graphic design using the Canva app. In the environment of SMK Kesehatan Binatama, the use of technology in teaching activities has not been done effectively. Learning activities are still done normally without frequently using technology, so it is necessary to have Canva training as a form of technology adaptation and a means to channel the creativity of the students. The methods used are training methods that include material delivery, practice, and evaluation. Training activities run smoothly: each student can follow a whole range of activities from start to finish, and each student may create one graphic design independently.
Klasifikasi Penyakit Jantung Menggunakan Metode Synthetic Minority Over-Sampling Technique Dan Random Forest Clasifier A. Rahim, Abdul Mizwar; Inggrid Yanuar Risca Pratiwi; Muhammad Ainul Fikri
The Indonesian Journal of Computer Science Vol. 12 No. 5 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i5.3413

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi penyakit jantung dengan menggabungkan Synthetic Minority Over-sampling Technique (SMOTE) dan algoritma Random Forest Classifier, dengan menggunakan data pasien yang mengalami diagnosis penyakit jantung dan tidak mengalami penyakit jantung. Tahapan awal yang dilakukan yaitu mengatasi masalah ketidakseimbangan kelas dengan mengaplikasikan SMOTE untuk menghasilkan sampel sintetis dari kelas minoritas, lalu dilanjutkan pada proses normalisasi data menggunakan metode min-max normalisasi, setelah itu masuk pada proses klasifikasi menggunakan Random Forest Classifier untuk melatih model dalam melakukan klasifikasi. Hasilnya menunjukkan bahwa pendekatan ini mampu meningkatkan kemampuan model dalam mengidentifikasi kasus penyakit jantung. Evaluasi model menghasilkan akurasi yang lebih baik dibandingkan hasil yang didapatkan pada penelitian yang dilakukan sebelumnya yaitu mencapai akurasi 92%, hasil terbaik ini terjadi peningkatan 2% dari hasil akurasi yang dihasilkan penelitian sebelumnya yaitu 90%.
Identify the Condition of Corn Plants Using Gray Level Co-occurrence Matrix and Bacpropagation A. Rahim, Abd Mizwar; Sasongko, Theopilus Bayu
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 24 No 2 (2025)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v24i2.4035

Abstract

This research aims to increase the accuracy of identifying the condition of corn plants based on leaf features using the GLCM and ANN Backpropagation methods. The GLCM method is used to extract features from corn leaf images, while Backpropagation ANN is used to classify the condition of corn plants based on these features. This classification was carried out using a dataset of corn leaves from four different conditions, namely healthy, leaf-spot, leaf-blight, and leaf-rust. Next, leaf features are extracted using the GLCM method. After that, data normalization was carried out, balancing the dataset, and training was carried out on the Backpropagation ANN model to classify the condition of the corn plants. After training the model, the next model evaluation is carried out using the confusion matrix method. The research results show that the method used can produce quite high accuracy when identifying the condition of corn plants, with an accuracy of 99%. This shows that the use of GLCM and ANN Backpropagation can be a good alternative in identifying the condition of corn plants. This research provides benefits in making it easier to accurately identify the condition of corn plants.
Machine Learning-Based Approach for HIV/AIDS Prediction: Feature Selection and Data Balancing Strategy Rahim, Abdul Mizwar A; Ridwan, Ahmad; Hartato, Bambang Pilu; Asharudin, Firman
Journal of Applied Informatics and Computing Vol. 9 No. 2 (2025): April 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i2.9125

Abstract

HIV/AIDS remains a significant global health challenge, requiring accurate predictive models for early detection and improved clinical decision-making. However, developing an effective predictive model faces challenges such as data imbalance and the presence of irrelevant features, which can compromise model accuracy. This study aims to enhance the performance of AIDS infection prediction models by integrating feature selection, data balancing, and machine learning classification techniques. Feature selection is conducted using Pearson Correlation, Mutual Information, and Chi-Square tests to retain only the most relevant features. Random Oversampling, SMOTE, and ADASYN are employed to address data imbalance and improve model robustness. Nine machine learning algorithms, including Decision Tree, Random Forest, XGBoost, LightGBM, Gradient Boosting, Support Vector Machine, AdaBoost, and Logistic Regression, are tested for classification. Performance evaluation using confusion matrix, precision, recall, F1-score, and AUC-ROC shows that tree-based models (Random Forest, Extra Trees, and XGBoost) achieve the best results, particularly in handling minority class predictions. The study concludes that combining feature selection, data balancing, and machine learning techniques significantly improves predictive performance, making it a valuable approach for early detection and clinical decision support in HIV/AIDS diagnosis. Future research may explore hyperparameter tuning and real-world clinical data integration to enhance practical applicability.
Co-Authors Aditya Ananta Wisnu Wardana, Kadek Afdhal Walidy Ahmad Ridwan Andi Sunyoto Asharudin, Firman Asrawi, Hannan Bagas Satrio Utomo Brahmandjati, Andhika Galang Cahya Pangestu Guido Adolfus Suni Hartatik Hartato, Bambang Pilu Inggrid Yanuar Risca Pratiwi Maikel Fainsenem Muhammad Ainul Fikri Muhammad Aldi Muhammad Arsyad A Muhammad Rudyanto Arief Sasongko, Theopilus Bayu Setefensius Sasi