Article Per Year (5 Year)
p-Index From 2021 - 2026
6.411
P-Index
This Author published in this journals
All Journal Jurnas Nasional Teknologi dan Sistem Informasi Riau Journal of Computer Science IT JOURNAL RESEARCH AND DEVELOPMENT INOVTEK Polbeng - Seri Informatika Dinamisia: Jurnal Pengabdian Kepada Masyarakat JURNAL TEKNOLOGI DAN OPEN SOURCE Digital Zone: Jurnal Teknologi Informasi dan Komunikasi JURTEKSI Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal Zonasi: Jurnal Sistem Informasi JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Pengabdian Masyarakat Multidisiplin Jurnal Ilmu Komputer Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Teknik Informatika J-COSCIS : Journal of Computer Science Community Service JAIA - Journal of Artificial Intelligence and Applications Jurnal Pemberdayaan Sosial dan Teknologi Masyarakat SATIN - Sains dan Teknologi Informasi RJOCS (Riau Journal of Computer Science)
Mhd. Arief Hasan, Mhd. Arief
Universitas Lancang Kuning
Aerospace Engineering Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Environmental Science Immunology & microbiology Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 59 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : JURTEKSI

 1 
HEART DISEASE RISK PREDICTION: EVALUATING MACHINE LEARNING ALGORITHMS WITH FEATURE REDUCTION USING LDA Nasution, Nurliana; Nasution, Feldiansyah; Hasan, Mhd Arief
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 1 (2024): Desember 2024
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i1.3498

Abstract

Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.             Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM  Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan. Kata kunci: linear discriminant analysis (LDA);  machine learning; penyakit jantung; reduksi fitur; SVM.
PREDICTING FUTURE ENROLLMENT TRENDS AT UNIVERSITAS LANCANG KUNING USING ARIMA AND LSTM MODELS Sutejo, Sutejo; Fadrial, Yogi Ersan; Sadar, M.; Hasan, Mhd Arief
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3865

Abstract

Abstract: This research is driven by the challenges faced by Universitas Lancang Kuning (UNILAK) in attracting applicants amidst intense competition, especially after the government's policy opened independent pathways to State Universities (PTN) from 2022-2023, which impacted private university applicant numbers. To address this and support strategic planning, this study aims to predict the trend of prospective students applying to all study programs at UNILAK for the period 2025-2027. Two time series models were employed: ARIMA (AutoRegressive Integrated Moving Average) and LSTM (Long Short-Term Memory). Applicant data from 2019 to 2024 was used to build the model. The Augmented Dickey-Fuller (ADF) test confirmed the data's stationarity with a p-value of 0.0. ACF and PACF analyses determined the ARIMA parameters as p=1, d=1, q=1. The LSTM model was trained to capture more complex data patterns. ARIMA predictions for 2025, 2026, and 2027 are 3298.66, 3362.33, and 3371.30, respectively. LSTM predictions for the same years are 3335.64, 3476.52, and 3518.42. Evaluation using Root Mean Squared Error (RMSE) showed ARIMA (RMSE=588.72) to be more accurate than LSTM (RMSE=653.96). Nevertheless, LSTM provided a more optimistic prediction. This study concludes that ARIMA is better suited for short-term planning, while LSTM can be used for more ambitious long-term strategies. Keywords: arima; LSTM; applicants; prediction; university Abstrak: Penelitian ini didorong oleh tantangan Universitas Lancang Kuning (UNILAK) dalam menarik pendaftar di tengah persaingan ketat, khususnya setelah kebijakan pemerintah membuka jalur mandiri ke Perguruan Tinggi Negeri (PTN) sejak 2022-2023, yang menyebabkan penurunan jumlah pendaftar di universitas swasta. Untuk mendukung perencanaan strategis, studi ini bertujuan memprediksi tren jumlah calon mahasiswa yang mendaftar ke seluruh program studi di UNILAK untuk periode 2025-2027.Dua model deret waktu digunakan: ARIMA (AutoRegressive Integrated Moving Average) dan LSTM (Long Short-Term Memory). Data jumlah pendaftar dari 2019 hingga 2024 digunakan untuk membangun model. Uji Augmented Dickey-Fuller (ADF) menunjukkan data stasioner dengan p-value 0,0. Analisis ACF dan PACF menentukan parameter ARIMA sebagai p=1, d=1, q=1. Model LSTM dilatih untuk menangkap pola data yang lebih kompleks.Prediksi ARIMA untuk 2025, 2026, dan 2027 adalah 3298.66, 3362.33, dan 3371.30. Prediksi LSTM untuk tahun yang sama adalah 3335.64, 3476.52, dan 3518.42. Evaluasi menggunakan Root Mean Squared Error (RMSE) menunjukkan ARIMA (RMSE=588.72) lebih akurat daripada LSTM (RMSE=653.96). Meskipun demikian, LSTM memberikan prediksi yang lebih optimis. Studi ini menyimpulkan ARIMA lebih cocok untuk perencanaan jangka pendek, sementara LSTM dapat digunakan untuk strategi jangka panjang yang ambisius. Kata kunci: arima; LSTM; pendaftar; prediksi; universitas 
HEART DISEASE RISK PREDICTION: EVALUATING MACHINE LEARNING ALGORITHMS WITH FEATURE REDUCTION USING LDA Nasution, Nurliana; Nasution, Feldiansyah; Hasan, Mhd Arief
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 1 (2024): Desember 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i1.3498

Abstract

Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.             Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM  Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan. Kata kunci: linear discriminant analysis (LDA);  machine learning; penyakit jantung; reduksi fitur; SVM.
PREDICTING FUTURE ENROLLMENT TRENDS AT UNIVERSITAS LANCANG KUNING USING ARIMA AND LSTM MODELS Sutejo, Sutejo; Fadrial, Yogi Ersan; Sadar, M.; Hasan, Mhd Arief
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 3 (2025): Juni 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3865

Abstract

Abstract: This research is driven by the challenges faced by Universitas Lancang Kuning (UNILAK) in attracting applicants amidst intense competition, especially after the government's policy opened independent pathways to State Universities (PTN) from 2022-2023, which impacted private university applicant numbers. To address this and support strategic planning, this study aims to predict the trend of prospective students applying to all study programs at UNILAK for the period 2025-2027. Two time series models were employed: ARIMA (AutoRegressive Integrated Moving Average) and LSTM (Long Short-Term Memory). Applicant data from 2019 to 2024 was used to build the model. The Augmented Dickey-Fuller (ADF) test confirmed the data's stationarity with a p-value of 0.0. ACF and PACF analyses determined the ARIMA parameters as p=1, d=1, q=1. The LSTM model was trained to capture more complex data patterns. ARIMA predictions for 2025, 2026, and 2027 are 3298.66, 3362.33, and 3371.30, respectively. LSTM predictions for the same years are 3335.64, 3476.52, and 3518.42. Evaluation using Root Mean Squared Error (RMSE) showed ARIMA (RMSE=588.72) to be more accurate than LSTM (RMSE=653.96). Nevertheless, LSTM provided a more optimistic prediction. This study concludes that ARIMA is better suited for short-term planning, while LSTM can be used for more ambitious long-term strategies. Keywords: arima; LSTM; applicants; prediction; university Abstrak: Penelitian ini didorong oleh tantangan Universitas Lancang Kuning (UNILAK) dalam menarik pendaftar di tengah persaingan ketat, khususnya setelah kebijakan pemerintah membuka jalur mandiri ke Perguruan Tinggi Negeri (PTN) sejak 2022-2023, yang menyebabkan penurunan jumlah pendaftar di universitas swasta. Untuk mendukung perencanaan strategis, studi ini bertujuan memprediksi tren jumlah calon mahasiswa yang mendaftar ke seluruh program studi di UNILAK untuk periode 2025-2027.Dua model deret waktu digunakan: ARIMA (AutoRegressive Integrated Moving Average) dan LSTM (Long Short-Term Memory). Data jumlah pendaftar dari 2019 hingga 2024 digunakan untuk membangun model. Uji Augmented Dickey-Fuller (ADF) menunjukkan data stasioner dengan p-value 0,0. Analisis ACF dan PACF menentukan parameter ARIMA sebagai p=1, d=1, q=1. Model LSTM dilatih untuk menangkap pola data yang lebih kompleks.Prediksi ARIMA untuk 2025, 2026, dan 2027 adalah 3298.66, 3362.33, dan 3371.30. Prediksi LSTM untuk tahun yang sama adalah 3335.64, 3476.52, dan 3518.42. Evaluasi menggunakan Root Mean Squared Error (RMSE) menunjukkan ARIMA (RMSE=588.72) lebih akurat daripada LSTM (RMSE=653.96). Meskipun demikian, LSTM memberikan prediksi yang lebih optimis. Studi ini menyimpulkan ARIMA lebih cocok untuk perencanaan jangka pendek, sementara LSTM dapat digunakan untuk strategi jangka panjang yang ambisius. Kata kunci: arima; LSTM; pendaftar; prediksi; universitas 
Co-Authors Adnan, Govindo Agung Kurniawan Ahmad Zamsuri, Ahmad Al Fajar, Muhammad Alexander, Jonatan Alfajar, Muhammad Amri, Fadilah Aprizald, Aprizaldi Bhaskoro Maghribi, Aulia Bimby, Novia Carlo Pratama Silalahi, Ricky Daffa Ardiansyah, Muhamad David Setiawan David Setiawan David Setiawan, David Debi Setiawan, Debi Di Juni, Padina Dwi Putri, Shania Dwi Wahyu Handoyo Erwin Darmawan Ewa Haris Sembiring Fadrial, Yogi Ersan Fajar Kesuma, Andika Fajar, Muhammad Al Fajrizal Fajrizal Fajrizal, Fajrizal Fatkuroji, Moh Feldiansyah Bakri Nasution Feldiansyah Feldiansyah Feldiansyah Feldiansyah Feldiansyah Nasution Feldiansyah, Feldiansyah Feraldi, Riyan Guntoro, Guntoro Gyna Rahmi Fajri Handoyo, Dwi Wahyu Hartono Tambunan, Rezky Hidayat, Ibnu Irawan, Marigel Irsando, Irsando Jordan Sirait, Michael Khairuna, Aida Khasbulla Ridwan, Mohammad Kurniawan, Veby Leonard, Willyam Loneli Costaner Mahmud, Farid Marco Bilbo, Ronaldo Mariza Devega Megawati Menzona, Redico MIFTAHUL JANNAH Moh. Fatkuroji Muhamad Sadar Muhamad Sadar, Muhamad Muhammad Al Fajar Muhammad Fitra Hamidy Muhammad Luthfi MUHAMMAD RIZAL Nasution, Feldiansyah Nur Iman, Muhamad Nurliana Nasutio Nurliana Nasution, Nurliana Nurmala Sari Patulus Rahmat Tambunan, Salam Rahmawati, Ningsi Raihan Siddik, Muhammad Rama Putra, Muhammad Ramadhan, Hardiansyah Raphaela Mei Lanny Br Aritonang, Gloria Refnaldi kurniawan saputra Rezky, Rafael Rianto Rianto Rifski Alvares Bangun, Gilang Roma Umboh, Joyful Sadar, M. Sasqia Ismi Aulia Sembiring, Rafael Rezky Sihombing, Riyan Feraldi Simorangkir, Jansihar Sitompul, Monica Sri Putri Sitompul, Yefita Sri Utami Lestari Stefanus, Vito Stephen Siahaan, Michael Sudarso SUDARSO Sunaryanto, Hadi Supriadi Supriadi Suranta Sipayung, Rizky Sutejo Sutejo Sya'banu Ahmad Tulus Parmonangan Uyun Harahap, Qurrotul Walhidayat Walhidayat Widiyanto, Septian Yitro Amazihono Yogi Yunefri, Yogi Yuhendri Putra Zamzami Zamzami Zamzami, Zamzami