Article Per Year (5 Year)
p-Index From 2021 - 2026
2.679
P-Index
This Author published in this journals
All Journal MULTIPLE: Journal of Global and Multidisciplinary Jurnal Pengabdian Masyarakat dan Riset Pendidikan Jurnal Intelek Dan Cendikiawan Nusantara Jurnal Riset Teknik Komputer Jurnal Intelek Insan Cendikia Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial SITEDI SITEDI (Sistem Informasi dan Teknologi Digital)
Hasbi Firmansyah
Unknown Affiliation
Religion Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Prediksi Performa Akademik Mahasiswa Menggunakan Support Vector Machine (SVM) pada RapidMiner Muhammad Hanif Fathurahman; Hasbi Firmansyah; Wahyu Asriyani; Eko Budi Raharjo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Prediksi performa akademik mahasiswa merupakan aspek penting dalam mendukung pengambilan keputusan berbasis data di perguruan tinggi. Identifikasi dini terhadap capaian akademik mahasiswa memungkinkan institusi pendidikan memberikan pendampingan dan intervensi akademik yang tepat. Penelitian ini bertujuan untuk memprediksi performa akademik mahasiswa menggunakan pendekatan machine learning dengan menerapkan algoritma Support Vector Machine (SVM) yang diimplementasikan pada RapidMiner. Dataset yang digunakan mencakup atribut personal mahasiswa, latar belakang keluarga, serta kebiasaan belajar sebagai variabel input, sedangkan nilai akhir mata kuliah digunakan sebagai variabel output. Metodologi penelitian meliputi tahap praproses data, pelatihan model, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model SVM menghasilkan nilai Root Mean Squared Error (RMSE) sebesar 3.217 ± 0.725 dengan micro average RMSE sebesar 3.296 ± 0.000, yang mengindikasikan performa prediksi yang stabil dan cukup baik. Pembahasan menunjukkan bahwa kebiasaan belajar dan faktor pendukung lainnya memiliki pengaruh yang signifikan terhadap performa akademik mahasiswa. Kesimpulan penelitian ini menyatakan bahwa penerapan algoritma Support Vector Machine pada RapidMiner efektif untuk memprediksi performa akademik mahasiswa serta memberikan dampak positif dalam pemantauan akademik dan perencanaan kebijakan pendidikan
Implementasi Metode Naïve Bayes Dalam Prediksi Kemenangan Pada Turnament Game Honor of King Mohamad Raffi Iskandar; Hasbi Firmansyah; Wahyu Asriyani; Eko Budiraharjo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Perkembangan industri permainan sekarang membawa dampak yang signifikan, khususnya dalam permainan daring atau game online yang telah menjadi bagian dari gaya hidup kebanyakan masyarakat. Honor of king  merupakan sebuah permainan strategi dimana ada 2 buah tim dengan masing-masing tim memiliki 5 pemain yang saling bertarung dan menjaga tower-tower masing masing awalnya game ini dirilis pada tahun 2015 di China dan baru saja di luncurkan secara Global pada tahun 2024. Game ini bertemakan tentang sejarah China dan Fantasi.Pada penelitian ini metode Naïve Bayes Classifier digunakan dalam memprediksi status kemenangan pada game Honor of king. Data yang digunakan adalah data sekunder yang berasal dari youtube pertandingan salah satu hasil pertandingan eSport yaitu KPL 2023 yang menjadi semakin popular di kalangan penonton dan pemain. Variabel yang digunakan adalah Health Point, HP Regen, Physical Attack, Physical Defence, Reduce coldown, Magic defends dan Attack Speed. Tujuan dari penelitian ini adalah untuk mengimplementasikan metode Naïve Bayes dalam memprediksi kemenangan dalam permainan Honor of king  Metode Naïve Bayes dipilih karena keunggulannya dalam mengatasi masalah klasifikasi yaitu bisa menggunakan data yang besar dengan hasil yang didapatkan memiliki tingkat akurasi yang bagus. Pada penelitian ini hasil prediksi menunjukkan bahwa implementasi metode Naïve Bayes mampu memberikan tingkat akurasi sebesar 80,88% sehingga masuk kedalam kategori untuk kemenangan.
IMPLEMENTASI RAPIDMINER UNTUK KLASTERING DATA WHOLESALE CUSTOMER MENGGUNAKAN METODE K-MEANS Nizar Arfanni; Hasbi Firmansyah
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Penelitian ini bertujuan untuk melakukan segmentasi pelanggan pada data wholesale customer menggunakan metode klastering K-Means yang diimplementasikan melalui perangkat lunak RapidMiner. Dataset wholesale customer sering kali memiliki jumlah data yang besar dan bervariasi sehingga menyulitkan perusahaan dalam mengidentifikasi pola pembelian dan perilaku konsumen. Untuk mengatasi permasalahan tersebut, dilakukan proses pra-pemrosesan data, pemilihan atribut numerik yang relevan, serta pengujian beberapa nilai k untuk memperoleh jumlah cluster yang paling optimal. Evaluasi hasil klastering dilakukan menggunakan metrik internal seperti Davies-Bouldin Index. Hasil penelitian menunjukkan bahwa metode K-Means berhasil mengelompokkan pelanggan wholesale ke dalam beberapa cluster dengan karakteristik berbeda, seperti jumlah pembelian, total pengeluaran, dan kecenderungan permintaan produk. Informasi dari tiap cluster dapat dimanfaatkan sebagai dasar dalam penyusunan strategi pemasaran, pengelolaan persediaan, serta identifikasi pelanggan bernilai tinggi. Secara keseluruhan, penggunaan RapidMiner mempermudah proses analisis dan menghasilkan segmentasi yang lebih terstruktur. Penelitian ini menunjukkan bahwa metode K-Means dapat diterapkan sebagai alat pendukung pengambilan keputusan pada bisnis wholesale.
Implementasi RapidMiner untuk Klasifikasi Risiko Kanker Payudara Menggunakan Metode Naive Bayes Berbasis Cross Validation M.Fery Ardiansyah; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodho
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Prediksi kekambuhan (recurrence) kanker payudara pasca-mastektomi merupakan tantangan klinis yang kompleks karena melibatkan interaksi berbagai variabel biologis pasien. Ketidakpastian prognosis ini menuntut adanya sistem pendukung keputusan medis yang akurat untuk menentukan urgensi pengobatan lanjutan. Penelitian ini bertujuan untuk membangun model klasifikasi risiko kekambuhan menggunakan algoritma Naive Bayes Classifier, yang dipilih karena keunggulannya dalam menangani probabilitas bersyarat pada data atribut nominal. Dataset yang digunakan bersumber dari UCI Machine Learning Repository (Institute of Oncology, Ljubljana) yang terdiri dari 286 rekam medis, mencakup 9 atribut prediktor kategorikal seperti tumor-size, inv-nodes, dan deg-malig. Dataset ini memiliki tantangan berupa missing values dan ketidakseimbangan kelas (class imbalance), dengan proporsi 201 kasus no-recurrence berbanding 85 kasus recurrence. Penelitian ini menerapkan metodologi Knowledge Discovery in Database (KDD) menggunakan perangkat lunak RapidMiner Studio. Tahapan pra-pemrosesan meliputi penamaan atribut manual dan imputasi data yang hilang menggunakan modus statistik. Validasi model dilakukan secara ketat menggunakan metode 10-Fold Cross-Validation untuk meminimalisir bias evaluasi. Hasil eksperimen menunjukkan bahwa model Naive Bayes menghasilkan tingkat Akurasi sebesar [72,03 %], Presisi sebesar [78,14 %], dan Recall sebesar [83,58 %]. Tingginya nilai akurasi namun dengan variasi pada nilai recall mengindikasikan pengaruh ketidakseimbangan data terhadap sensitivitas model dalam mendeteksi kasus positif. Kesimpulannya, Naive Bayes terbukti efektif dan komputasional efisien untuk dataset medis berdimensi kecil dengan fitur kategorikal, namun teknik penyeimbang data (resampling) disarankan untuk penelitian lanjutan guna meningkatkan deteksi pada kelas minoritas.
Penerapan Model Klasifikasi Biner Menggunakan Regresi Logistik pada Dataset Kismis Armand Cahya Nugraha; Hasbi Firmansyah; Wahyu Asriyani; Riski Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Dalam sektor pertanian presisi, penggunaan teknologi visi komputer menjadi solusi penting untuk menggantikan cara inspeksi manual. Penelitian ini fokus pada masalah pengelompokan varietas kismis Kecimen dan Besni yang sering tercampur karena kesamaan morfologi. Tujuan utama dari penelitian ini adalah untuk mengevaluasi seberapa efektif algoritma Logistic Regression dalam memprediksi jenis kismis serta menganalisis dampak fitur bentuk terhadap ketepatan klasifikasi. Dataset yang digunakan adalah Raisin Dataset yang berisi 900 contoh data. Proses pra-pemrosesan data mencakup normalisasi fitur dan penetapan peran atribut menggunakan perangkat lunak data mining RapidMiner. Tujuh fitur morfologis yang diambil dari gambar digital berfungsi sebagai variabel independen, yaitu luas area, keliling, panjang sumbu utama dan minor, eksentrisitas, luas cembung, dan jangkauan. Untuk evaluasi model, metode yang digunakan adalah Split Data dengan rasio 70:30, di mana 630 data dipakai untuk melatih model dan 270 data disiapkan untuk menguji kinerja. Hasil dari eksperimen menunjukkan bahwa model Logistic Regression mendapatkan akurasi keseluruhan sebesar 84,07%. Penilaian lebih lanjut dengan menggunakan Confusion Matrix mengungkapkan nilai Precision dan Recall yang seimbang di atas 80% untuk kedua kelas, yang menunjukkan bahwa model tidak menunjukkan bias yang signifikan terhadap salah satu dari varietas tersebut. Meskipun terdapat tingkat kesalahan klasifikasi sebesar 15,93%, angka tersebut masih bisa diterima mengingat kerumitan kesamaan biologis antar varietas. Hasil ini mendukung bahwa Logistic Regression, sebagai metode linear yang efisien secara komputasi, cukup kuat untuk digunakan dalam sistem penyortiran real-time dibandingkan dengan metode yang lebih kompleks dan lambat.
Implementasi Algoritma Artificial Neural Network (ANN) Untuk Klasifikasi Varietas Kismis Berdasarkan Fitur Morfologi Abrori Musafic Al Rasyid; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Industri pengolahan hasil pertanian, terutama kismis, menghadapi kesulitan dalam memilah varietas yang bagus seperti Kecimen dan Besni karena kedua jenis tersebut memiliki bentuk yang mirip. Cara penyortiran secara manual memakan waktu dan bisa salah akibat kesalahan manusia. Penelitian ini mencoba menggunakan algoritma Artificial Neural Network (ANN) untuk mengklasifikasikan jenis kismis secara otomatis berdasarkan karakteristik bentuknya. Data yang digunakan berasal dari UCI Machine Learning Repository, terdiri dari 900 sampel dengan 7 karakteristik bentuk, yaitu Area, Major Axis Length, Minor Axis Length, Eccentricity, Convex Area, Extent, dan Perimeter. Penelitian ini dilakukan dengan menggunakan perangkat lunak RapidMiner, dengan tahap pra-pemrosesan berupa normalisasi data (Z-transformation) untuk meningkatkan kinerja jaringan. Metode pengecekannya menggunakan 10-Fold Cross Validation. Hasil uji coba menunjukkan bahwa algoritma ANN mampu mengenali jenis kismis dengan akurasi sebesar 87.00% Hal ini membuktikan bahwa metode Neural Network efektif digunakan sebagai alternatif sistem cerdas dalam memperbaiki kualitas produk pertanian.
Analisis Pengelompokan Komposisi Kaca Forensik menggunakan Algoritma K-Means dan Software Rapid Miner Hanjiyan Riyan Hidayat; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Penelitian ini bertujuan untuk mengelompokkan jenis kaca forensik berdasarkan komposisi kimia yang terkandung di dalamnya menggunakan algoritma K-Means Clustering dan perangkat lunak RapidMiner. Data yang digunakan adalah Glass Identification Dataset yang terdiri dari 9 atribut kimia (seperti RI, Na, Mg, Al, dll.) dan 214 sampel. Sebelum proses clustering, data dinormalisasi menggunakan Z-Transformation untuk memastikan kontribusi atribut yang setara. Algoritma K-Means diimplementasikan dengan nilai k (jumlah cluster) yang ditentukan sebesar 5, dengan 10 kali percobaan (max runs) untuk menemukan struktur pengelompokan yang paling stabil. Hasil menunjukkan pembentukan lima kelompok (cluster) yang berbeda dengan kualitas pengelompokan yang baik (nilai WCSS rendah). Analisis Tabel Centroid mengungkapkan profil kimia yang unik dan dominan untuk setiap kelompok. Misalnya, Cluster X dicirikan oleh kandungan Magnesium (Mg) tertinggi dan Kalsium (Ca) terendah. Pengelompokan ini memvalidasi potensi K-Means dalam mengidentifikasi pola komposisi material yang signifikan, yang sangat berguna dalam aplikasi forensik dan ilmu material.
Analisis Prediksi Harga Properti Menggunakan Algoritma Regresi Linear Berbasis Rapid Miner Irfandi Irfandi; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Insan Cendikia Vol. 2 No. 12 (2025): Desember 2025
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Penentuan nilai pasar properti yang akurat merupakan tantangan signifikan bagi pelaku ekonomi karena dipengaruhi oleh berbagai faktor infrastruktur dan letak geografis. Penelitian ini bertujuan untuk membangun model yang mampu memprediksi harga unit properti di Distrik Sindian, New Taipei City, menggunakan teknik Data Mining dengan algoritma Linear Regression. Data yang digunakan berasal dari UCI Machine Learning Repository yang mencakup 414 catatan transaksi dengan 6 variabel independen, yaitu usia bangunan, jarak ke stasiun MRT, jumlah toko ritel, serta koordinat lokasi (latitude dan longitude). Penelitian ini dilakukan menggunakan perangkat lunak RapidMiner Studio dengan metode evaluasi korelasi dan error metric. Hasil penelitian menunjukkan bahwa algoritma Linear Regression mampu memprediksi harga properti secara efektif dengan tingkat akurasi yang diukur melalui Root Mean Squared Error (RMSE). Berdasarkan analisis koefisien, variabel jarak ke stasiun MRT memiliki pengaruh negatif paling signifikan, yang berarti semakin dekat lokasi properti dengan akses transportasi publik, maka harga unit properti akan meningkat secara drastis. Penelitian ini membuktikan bahwa faktor aksesibilitas merupakan penentu utama nilai real estat, sehingga model ini dapat digunakan sebagai Sistem Pendukung Keputusan (Decision Support System) bagi tenaga profesional di bidang properti.
Analisis Kinerja Algoritma C4.5 pada Dataset Titanic yang Tidak Seimbang Menggunakan Gain Ratio: Penelitian Kuncoro Singgih Prasojo; Hasbi Firmansyah; Wahyu Asriyani; Ali Sofyan
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 2 (October 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i2.4402

Abstract

This study aims to analyze the performance of the C4.5 algorithm in classifying passenger survival status using the Titanic dataset, which exhibits an imbalanced class distribution. The research employed a quantitative approach consisting of data preprocessing, manual calculation of entropy, information gain, split information, and gain ratio using Microsoft Excel, followed by model implementation using RapidMiner. The dataset contains 800 passenger records with the survived attribute defined as the class label. Manual calculation results indicate that the Gender attribute has the highest information gain value of 0.955, making it the root node of the decision tree, while other attributes such as Pclass, Age Group, and Fare Group contribute very limited information. The experimental results show that the C4.5 model achieves an accuracy of 62.50%; however, all test instances are predicted as non-survived, resulting in 0% precision and recall for the survived class. In addition, the generated decision tree structure is very shallow with no significant branching. These findings demonstrate that class imbalance in the Titanic dataset strongly affects the performance of the C4.5 algorithm, indicating the need for imbalanced data handling techniques to improve classification results.
Prediksi Unit Price Properti Menggunakan Algoritma Neural Network Berbasis RapidMiner: Penelitian Bimo Aryo Pangestu; Hasbi Firmansyah; Ali Sofyan; Wahyu Asriyani
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 2 (October 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i2.4439

Abstract

This study aims to predict property unit price using the Neural Network algorithm based on RapidMiner. The dataset used consists of property-related attributes, with unit price as the target variable. The research stages include attribute role assignment, data normalization, and data partitioning using the estimation method with a 70:30 split between training and testing data. The Neural Network model is built using the training data and applied to the testing data to generate unit price predictions. Model performance is evaluated using the Performance (Regression) method with the Root Mean Squared Error (RMSE) metric. The experimental results show that the Neural Network algorithm is able to predict property unit price accurately, as indicated by an RMSE value of 0.028. The low RMSE value indicates a small difference between the actual and predicted unit price values, demonstrating that the proposed model has good predictive performance. Therefore, it can be concluded that the Neural Network algorithm based on RapidMiner is effective for predicting property unit priprice and can be used as an alternative approach in property price analysis.
Co-Authors . Eko Budiraharjo Abrori Musafic Al Rasyid Ahmad Ferdi Dwi Nugroho Ali Sofyan Amelia Laura Ardianti Armand Cahya Nugraha Asriyani, Wahyu Bimo Aryo Pangestu Eko Budi Raharjo Erza Rifa Nihayah Fadhilah Itsnani Nur Syamsiyah Fakhrun Nisa Hafidz Munazzal Falahan Hanjiyan Riyan Hidayat Irfandi Irfandi Kuncoro Singgih Prasojo Lananda Agustian M.Fery Ardiansyah Mohamad Raffi Iskandar Muhamad Husni Nasuha Muhammad Fiqih Ainurohman Muhammad Hanif Fathurahman Nizar Arfanni Raihan Adyatma Ramadhani Zidan Arifin Ria indah fitria Riski Prasetyo Tulodo Rizki Prasetyo Tulodho Rizki Prasetyo Tulodo Widiyanto, Muhamad