Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JURIKOM (Jurnal Riset Komputer) Jurnal Sistem Komputer dan Informatika (JSON) Community: Jurnal Pengabdian Pada Masyarakat
Fikri Budiman
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Health Professions Languange, Linguistic, Communication & Media

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Optimalisasi Layanan Administrasi Melalui Pemanfaatan Teknologi Informasi untuk Tenaga Pendidik pada Fakultas Ekonomi dan Bisnis Islam UIN Gus Dur Pekalongan Nur Rokhman; Sindhu Rakasiwi; Edi Sugiarto; Fikri Budiman
Community : Jurnal Pengabdian Pada Masyarakat Vol. 3 No. 3 (2023): November : Jurnal Pengabdian Pada Masyarakat
Publisher : LPPM Sekolah Tinggi Ilmu Ekonomi - Studi Ekonomi Modern

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/community.v3i3.421

Abstract

Administrasi mengambil peran yang sangat penting dalam sebuah organisasi, lembaga ataupun negara sebagai tolok ukur kemajuannya. Buruknya pengelolaan administrasi dan layanannya dapat mengakibatkan kehancuran, tanpa perlu adanya musibah bencana alam ataupun perang. Pesatnya perkembangan teknologi informasi saat ini dapat dimanfaatkan dalam mengoptimalkan layanan administrasi, terutama di sektor pendidikan, karena sektor pendidikan memegang peran penting dalam modal membangun kemajuan bangsa. Tenaga pendidik sesuai undang-undang juga bertugas dalam administrasi dan pelayanan teknis, maka dari itu kali ini diadakan kegiatan pengabdian kepada masyarakat berupa pelatihan dengan tujuan optimalisasi layanan administrasi yang ditujukan untuk tenaga pendidik pada Fakultas Ekonomi dan Bisnis Islam UIN Gus Dur Pekalongan. Hasilnya, pekerjaan menjadi lebih mudah dan lebih cepat untuk bertukar informasi antar bagian, dan kepala bagian TU dapat dengan mudah memantau pekerjaan terkait dengan administrasi dan layanannya, karena data dapat diakses secara online.
Analisis Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree dalam Klasifikasi Tingkat Obesitas Rizki Wahyu Yulianti; Fikri Budiman; Defri Kurniawan
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9227

Abstract

Kasus obesitas yang terus bertambah di era digital dipengaruhi oleh perubahan gaya hidup, pola makan, aktivitas fisik, serta faktor demografis. Untuk mendukung upaya deteksi dini, penelitian ini menerapkan metode machine learning guna mengklasifikasikan tingkat obesitas berdasarkan Obesity Levels Dataset yang memuat 2.111 data individu dengan 17 variabel terkait perilaku dan kondisi fisik. Penelitian berfokus pada analisis perbandingan dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Decision Tree, dengan tujuan menilai akurasi, presisi, recall, serta stabilitas performa kedua model setelah melalui proses optimasi. Tahapan penelitian dimulai dengan pembersihan data, imputasi nilai hilang menggunakan median, penghapusan outlier melalui metode IQR, encoding variabel kategori, serta standardisasi fitur numerik. Untuk menangani ketidakseimbangan kelas, digunakan teknik SMOTE sehingga setiap kategori kelas target memiliki distribusi yang seimbang. Model kemudian dilatih menggunakan data latih sebesar 80% dan dievaluasi pada 20% data uji. Optimasi parameter dilakukan menggunakan GridSearchCV. Pada model K-Nearest Neighbor, nilai k terbaik diperoleh pada k = 3 dengan akurasi 86,59%. Sementara itu, Decision Tree mencapai performa optimal pada konfigurasi max_depth = 10, min_samples_split = 5, dan min_samples_leaf = 1. Hasil evaluasi menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi tingkat obesitas dengan baik setelah proses tuning dan penyeimbangan data. Decision Tree memberikan performa yang lebih stabil dalam mengenali pola kompleks antarvariabel, sedangkan K-Nearest Neighbor menunjukkan performa optimal pada nilai k kecil ketika data telah distandarisasi dan diseimbangkan. Penelitian ini memberikan gambaran empiris mengenai efektivitas kedua algoritma dalam pemodelan klasifikasi obesitas serta dapat menjadi dasar pengembangan sistem prediksi kesehatan berbasis machine learning yang lebih akurat dan efisien.
Analisis Perbandingan Metode Random Forest, XGBoost, dan Logistic Regression Untuk Klasifikasi Deteksi Dini Penyakit Diabetes Novriansyah Afqi Nur Akmal Fauzi; Fikri Budiman
JURNAL RISET KOMPUTER (JURIKOM) Vol. 12 No. 6 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v12i6.9392

Abstract

Diabetes Mellitus is a chronic disease with a continuously increasing prevalence, posing serious challenges to public health and contributing significantly to the global economic burden. The often non-specific nature of early symptoms increases the risk of delayed diagnosis, highlighting the need for accurate early detection approaches to support clinical decision-making. This study aims to analyze and compare the performance of three machine learning algorithms Logistic Regression, Random Forest, and XGBoost in classifying diabetes risk based on several clinical parameters, including age, body mass index (BMI), blood pressure, glucose level, and HbA1c. The dataset used in this research was obtained from the Diabetes Prediction Dataset, consisting of 100,000 records. The research process involved handling missing data, applying One-Hot Encoding to categorical variables, normalizing numerical features, and addressing class imbalance using the Synthetic Minority Over-sampling Technique (SMOTE). Model performance was evaluated using Accuracy, Precision, Recall, F1-Score, and ROC-AUC metrics to provide a comprehensive assessment. The experimental results indicate that XGBoost achieved the best performance, with an accuracy of 96.88% and a ROC-AUC value of 98.00%. Meanwhile, Random Forest attained an accuracy of 95.68% with an F1-Score of 74.76%, while Logistic Regression recorded an accuracy of 88.96% and the highest recall value of 89.12%. These findings suggest that ensemble learning methods, particularly boosting approaches, are more effective in improving the accuracy of diabetes and non-diabetes classification. The primary contribution of this study lies in providing a multi-metric comparative analysis that can serve as a reference for selecting the most effective machine learning model in the development of medical decision support systems for early diabetes detection.
Co-Authors Defri Kurniawan Edi Sugiarto Novriansyah Afqi Nur Akmal Fauzi Nur Rokhman Rizki Wahyu Yulianti Sindhu Rakasiwi