Tutuk Indriyani
Institut Teknologi Adhi Tama Surabaya

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

ENKRIPSI DATA DENGAN MENGUNAKAN METODE ECC (ELLIPTIC CURVE CRYPTOGRAPHY) Indriyani, Tutuk
Prosiding Seminar Nasional Sains dan Teknologi Terapan 2023: Transformasi Riset, Inovasi dan Kreativitas Menuju Smart Technology dan Smart Energy
Publisher : Institut Teknologi Adhi Tama Surabaya

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

Abstract

Dalam mencegah hal-hal yang tidak diinginkan terjadi seperti termanipulasinya data laporan transaksi penjualan oleh karyawanya sendiri, sehingga peneliti membuat sistem keamanan data terenkripsi pada laporan transaksi penjualanya. Enkripsi data penjualan ini dengan harapan dapat membantu menyelesaikan masalah kebocoran data laporan transaksi penjualan yang dialami oleh pemilik toko.  sehingga pemilik toko tidak perlu khawatir terkait data laporan transaksi penjualan yang dapat diakses oleh pihak yang tidak berkepentingan atau karyawan toko rohmat yang ingin berbuat curang soal laporan transaksi penjualan. Solusi untuk mengatasi hal tersebut maka dibuatlah sebuah sistem kriptografi. salah satu metode kriptografi yang memberikan solusi untuk masalah keamanan informasi adalah metode Elleptic Curve Crytptography (ECC). Metode Elleptic Curve Crytptography (ECC) adalah metode kriptografi yang memberikan solusi kunci public secara indenden/bebas. Hasil dari pengujian aplikasi ini menandakan aplikasi berjalan dengan cukup baik karena hasil menunjukkan dari 20 data yang sudah di uji mengunakan avalanche effect  nilai terkecil adalah 6,54%, terbesar adalah 22% dan di dapatkan juga nilai rata - rata Avalanche Efeect sebesar 11,283%. Semakin tinggi lagi nilai rata-rata yang didapatkan akan semakin baik aplikasi ini berjalan.
Metode Decision Tree C4.5 untuk Klasifikasi Penyakit Jantung Indriyani, Tutuk; Rozi, Fajar Fahru; Hakimah, Maftahatul; Rozi, Nanang Fakhrur; Muhima, Rani Rotul
Prosiding Seminar Nasional Sains dan Teknologi Terapan 2024: Menjembatani Energi Berkelanjutan dan Ekonomi Hijau melalui Transformasi Riset dan Teknologi T
Publisher : Institut Teknologi Adhi Tama Surabaya

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

Abstract

Berbagai macam penelitian machine learning sudah dilakukan, salah satunya merupakan penelitian pemanfaatan machine learning untuk memprediksi penyakit jantung. Dalam Penelitian ini 304 dataset digunakan untuk melakukan klasifikasi. berdasarkan latar belakang dan hasil penelitian sebelumnya, penulis memutuskan untuk mengklasifikasi penyakit jantung menggunakan metode Decison Tree C4.5 Algoritma mengklasifikasi dengan benar saat hasil uji menggunakan confusion matrix menunjukkan nilai Accuracy 0,86 yang menunjukkan klasifikasi dataset pengujian ini sebesar 86% dan 14% tidak terklasifikasi dengan benar. Secara kesuluruhan, algoritma mengklasifikasi dataset penyakit jantung dengan baik. Hal ini di indikasikan dengan nilai rata rata seperti precision 0,87 yang berarti dari semua prediksi yang model dibuat sekitar 87% adalah benar, kemudian hasil recall adalah 0.84, yang berarti model berhasil mendeteksi sekitar 84%.
Metode Decision Tree C4.5 untuk Klasifikasi Berat Badan Obesitas Indriyani, Tutuk; Suprapto, Chelvin; Mahendra, Iqbal Izha; Pratama, Raditya; Wahyudi, Muchamad Nurdin
Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2025: SNESTIK V
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/p.snestik.2025.7619

Abstract

Obesitas merupakan masalah kesehatan yang serius dan telah menjadi salah satu faktor utama penyebab penyakit kronis seperti diabetes, penyakit jantung, dan hipertensi. Dalam penelitian ini, metode Decision Tree digunakan untuk melakukan klasifikasi berat badan dan mengidentifikasi faktor-faktor yang berkontribusi terhadap obesitas. Decision tree C4.5 algoritma yang digunakan untuk membuat decision tree (pohon keputusan), pohon keputusan sebuah obyek yang diklasifikasikan pada pohon wajib dites nilai Entropy dan Gainnya. Nilai Entropy tersebut kemudian dihitung nilai Gain masing-masing atribut, kemudian atribut dengan Gain tertinggi dipilih menjadi test atribut dari suatu node. Proses yang dilakukan saat klasifikasi adalah dataset dibagi menjadi dua bagian, data Training dan data Testing, kemudian menghitung Entropy dan Gain, sehingga menghasilkan pohon keputusan Decision Tree C4.5. Dari proses sebelumnya menghasilkan hasil klasifikasi dari data Testing. Berdasarkan hasil klasifikasi di uji menggunakan Confusion Matrix untuk menghitung Accuracy, Precision, Recall, F1_Score. model berhasil mendeteksi sekitar 92% dari semua contoh kelas yang sebenarnya ada dalam dataset dan hasil f1-score adalah 0.89 yang berarti f1-score bernilai 89%,