Article Per Year (5 Year)
p-Index From 2021 - 2026
3.935
P-Index
This Author published in this journals
All Journal Jurnal Transformatika JIEET (Journal of Information Engineering and Educational Technology) INOVTEK Polbeng - Seri Informatika Jurnal Mantik Jurnal Informatika dan Rekayasa Elektronik Go Infotech: Jurnal Ilmiah STMIK AUB Joined Journal (Journal of Informatics Education Transformasi Jurnal Pengabdian Masyarakat Jurnal Pengabdian Masyarakat Bhinneka Go Infotech: Jurnal Ilmiah STMIK AUB Julia Jurnal
Eko Supriyadi
Universitas An Nuur
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Public Health Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
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

Abstract

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

Abstract

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.
Klasifikasi Diabetes Melitus Menggunakan Metode Decision Tree Dan C4.5 Di Kabupaten Grobogan Saniya, Zahra Fatma; Supriyadi, Eko; Santoso, Kartika Imam
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.v31i2.422

Abstract

Penelitian ini muncul karena tingginya kasus diabetes yang jadi masalah kesehatan penting di masyarakat. Deteksi awal dengan metode klasifikasi penting agar penanganan medis bisa lebih cepat dan tepat. Penelitian ini bertujuan untuk tahu seberapa akurat algoritma Decision Tree dan C4.5 dalam mengklasifikasi diabetes, cari faktor utama yang pengaruhi klasifikasi, serta analisis potensi bias dalam data.Data riset didapat dari posyandu dan kuesioner masyarakat di Kecamatan Penawangan, Grobogan. Proses klasifikasi dilakukan pakai aplikasi RapidMiner dengan tahapan persiapan data, buat model, hingga evaluasi pakai *confusion matrix*.Hasil riset menunjukkan algoritma Decision Tree C4.5 hasilkan akurasi 96,49%. Faktor terkuat yang pengaruhi status diabetes yaitu umur, tinggi badan, dan riwayat keluarga. Hasil riset ini tunjukkan algoritma C4.5 bisa dipakai jadi metode yang baik untuk bantu klasifikasi diabetes. Dengan begitu, riset ini harapannya bisa sumbangsih dalam pengembangan sistem deteksi awal dan upaya pencegahan serta edukasi masyarakat tentang bahaya diabetes.
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

Abstract

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.
Klasifikasi Diabetes Melitus Menggunakan Metode Decision Tree Dan C4.5 Di Kabupaten Grobogan Saniya, Zahra Fatma; Supriyadi, Eko; Santoso, Kartika Imam
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.v31i2.422

Abstract

Penelitian ini muncul karena tingginya kasus diabetes yang jadi masalah kesehatan penting di masyarakat. Deteksi awal dengan metode klasifikasi penting agar penanganan medis bisa lebih cepat dan tepat. Penelitian ini bertujuan untuk tahu seberapa akurat algoritma Decision Tree dan C4.5 dalam mengklasifikasi diabetes, cari faktor utama yang pengaruhi klasifikasi, serta analisis potensi bias dalam data.Data riset didapat dari posyandu dan kuesioner masyarakat di Kecamatan Penawangan, Grobogan. Proses klasifikasi dilakukan pakai aplikasi RapidMiner dengan tahapan persiapan data, buat model, hingga evaluasi pakai *confusion matrix*.Hasil riset menunjukkan algoritma Decision Tree C4.5 hasilkan akurasi 96,49%. Faktor terkuat yang pengaruhi status diabetes yaitu umur, tinggi badan, dan riwayat keluarga. Hasil riset ini tunjukkan algoritma C4.5 bisa dipakai jadi metode yang baik untuk bantu klasifikasi diabetes. Dengan begitu, riset ini harapannya bisa sumbangsih dalam pengembangan sistem deteksi awal dan upaya pencegahan serta edukasi masyarakat tentang bahaya diabetes.
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

Abstract

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.
Co-Authors Achmad Basuki Achmad Rizki Ramadhani Addien Anaba Adri Tiyono Agus Susilo Nugroho Agus Susilo Nugroho Agus Susilo Nugroho Andri Triyono Anggraini, Ani aprilianto, dwi kurniawan Arindhya Ratna Hayuningtyas Arum, Dhika Malita Puspita Basedt, Ngabdul Condro Wibowo, Agus Dhika Malita Dhika Malita Puspita Edi Widodo, Edi Emmanuel, Rheimanda Devin Emmanuel, Rheimanda Devin Emmanuel Erika Dwi Saputra Farokhah, Mirna Vaul Hayuningtyas, Arindhya Ratna Kartika Imam Santoso Mika Agustiana Muhammad Muzammil muzammil, muhammad Najhan Atifa, Akhie Nugroho, Agus Susilo Puput Rismawati Rahmawan Bagus Trianto Rheimanda Devin Emmanuel Riniasih, Wahyu Rismawati, Puput Riyanto Sigit Saniya, Zahra Fatma Sari, Gigih Kenanga susilo nugroho, agus Triyono, Andri Ulfa, Fatma Nurmala WAHYUDI Yusuf Mufarihin, Ahmad Zahra Fatma Saniya