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 
Penerapan Algoritma Logistic Regression untuk Memprediksi Keberhasilan Terapi Kutil (Cryotherapy) Muhammad Fiqih Ainurohman; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Dan Cendikiawan Nusantara Vol. 2 No. 6 (2025): Desember 2025 - Januari 2026
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Cryotherapy (terapi beku) adalah cara umum untuk mengobati kutil, tetapi tingkat keberhasilannya berbeda-beda antar pasien. Penelitian ini bertujuan membuat model untuk memprediksi apakah Cryotherapy berhasil atau tidak, menggunakan teknik Data Mining dengan algoritma Logistic Regression. Data yang digunakan berasal dari UCI Machine Learning Repository, yang berisi 90 data pasien dan 6 informasi klinis, yaitu usia, jenis kelamin, durasi terapi, jumlah kutil, jenis kutil, dan luas area kutil. Penelitian dilakukan dengan menggunakan perangkat lunak RapidMiner dan metode validasi 10-Fold Cross Validation. Hasil menunjukkan algoritma Regresi Logistik mampu memprediksi keberhasilan terapi dengan akurasi sebesar 86,67%. Penelitian juga menemukan bahwa variabel usia pasien yang muda, yaitu antara 15 sampai 20 tahun, berpengaruh paling besar terhadap hasil pengobatan.
PREDIKSI RISIKO KESEHATAN IBU HAMIL DENGAN MENGGUNAKAN METODE DECISION TREE Raihan Adyatma; Hasbi Firmansyah; Wahyu Asriyani; Rizki Prasetyo Tulodo
Jurnal Intelek Dan Cendikiawan Nusantara Vol. 2 No. 6 (2025): Desember 2025 - Januari 2026
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Kesehatan ibu hamil merupakan prioritas utama dalam tujuan pembangunan kesehatan global, mengingat masih tingginya Angka Kematian Ibu . Salah satu penyebab kematian ibu adalah keterlambatan dalam mendeteksi faktor risiko seperti hipertensi dan diabetes gestasional. Penelitian ini bertujuan untuk membangun model prediksi tingkat risiko kesehatan ibu hamil  menggunakan teknik Data Mining dengan algoritma Decision Tree. Data yang digunakan bersumber dari UCI Machine Learning Repository yang terdiri dari 1.014 data rekam medis dengan atribut meliputi usia, tekanan darah, kadar gula darah, suhu tubuh, dan detak jantung. Pengolahan data dilakukan menggunakan perangkat lunak RapidMiner Studio. Hasil penelitian menunjukkan bahwa algoritma  mampu mengklasifikasikan risiko ke dalam tiga kategori (Low, Mid, High Risk) dengan tingkat akurasi sebesar [Akurasi 74.43%]. Berdasarkan struktur pohon keputusan yang terbentuk, atribut kadar gula darah  ditemukan sebagai faktor paling dominan dalam menentukan tingkat risiko. Model ini diharapkan dapat membantu tenaga medis dalam melakukan deteksi dini komplikasi kehamilan.Kata kunci: Klasifikasi Sampah; Convolutional Neural Network (CNN); Deep Learning; Pengelolaan Sampah; Visi Komputer
Analisis Penerapan Model k-Nearest Neighbors dalam Klasifikasi Kualitas Red Wine Fakhrun Nisa; Hasbi Firmansyah
Jurnal Intelek Dan Cendikiawan Nusantara Vol. 2 No. 6 (2025): Desember 2025 - Januari 2026
Publisher : PT. Intelek Cendikiawan Nusantara

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

Abstract

Penelitian ini bertujuan mengatasi keterbatasan penilaian kualitas wine konvensional yang sangat bergantung pada uji organoleptik subjektif dan memakan waktu. Metode yang digunakan berupa penelitian terapan dengan pendekatan eksperimen, memanfaatkan algoritma k-Nearest Neighbors (k-NN) dengan teknik normalisasi Z-transformation dan Stratified Sampling. Data diperoleh dari dataset fisikokimia red wine dari repositori publik UCI Machine Learning. Hasil penelitian menunjukkan sistem mampu mengklasifikasikan kualitas wine dengan akurasi terukur sebesar 56.99 %, yang membuktikan bahwa pendekatan komputasi dapat menjadi alternatif objektif dalam penentuan kualitas. Kebaruan penelitian terletak pada integrasi metode normalisasi Z-transformation dengan konfigurasi pembagian data stratified 70:30 untuk meminimalkan bias pada dataset yang tidak seimbang
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