Article Per Year (5 Year)
p-Index From 2021 - 2026
1.578
P-Index
This Author published in this journals
All Journal Indonesian Journal on Software Engineering (IJSE) Jurnal Pilar Nusa Mandiri Jurnal Teknoinfo Journal of Innovation and Future Technology (IFTECH) Journal of Intelligent Computing and Health Informatics (JICHI) Jurnal Altifani Penelitian dan Pengabdian kepada Masyarakat Teknologika Jurnal Ilmiah Sistem Informasi Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA)
Ade Christian, Ade
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Perbandingan Kinerja Algoritma Machine Learning dalam Klasifikasi Penyakit Fundus Menggunakan Citra Fundus Digital Kurniawan, Deny; Triyanto, Dedi; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1476

Abstract

Penyakit fundus mata seperti diabetic retinopathy, cataract, dan glaucoma merupakan penyebab utama gangguan penglihatan hingga kebutaan apabila tidak terdeteksi sejak dini. Diagnosis penyakit fundus secara konvensional masih sangat bergantung pada penilaian visual tenaga medis, yang berpotensi menimbulkan subjektivitas dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan membandingkan metode machine learning dalam mendeteksi penyakit fundus berdasarkan citra fundus digital serta menentukan algoritma dengan kinerja terbaik. Penelitian ini menggunakan dataset publik yang terdiri dari 600 citra fundus yang terbagi secara seimbang ke dalam empat kelas, yaitu Normal, Background Diabetic Retinopathy, Cataract, dan Glaucoma, dengan masing-masing kelas berjumlah 150 citra. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Tiga algoritma machine learning yang digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa seluruh model mampu mencapai tingkat akurasi di atas 80%, dengan SVM menghasilkan akurasi tertinggi sebesar 88,0%, diikuti oleh KNN sebesar 87,7% dan Random Forest sebesar 82,5%. Hasil ini menunjukkan bahwa metode machine learning, khususnya SVM, efektif digunakan dalam mendeteksi penyakit fundus dan berpotensi dikembangkan sebagai sistem pendukung diagnosis dini. Meskipun demikian, penelitian lanjutan masih diperlukan dengan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan generalisasi model.
Evaluasi Kinerja Algoritma Machine Learning SVM dan KNN pada Klasifikasi Penyakit Ginjal Triyanto, Dedi; Kurniawan, Deny; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1477

Abstract

Penyakit ginjal, mulai dari penyakit ginjal kronis hingga kondisi yang lebih serius seperti kista, batu ginjal, dan tumor, merupakan masalah kesehatan global yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Metode diagnosis konvensional masih bergantung pada interpretasi subjektif tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma machine learning Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam mendeteksi penyakit ginjal secara otomatis. Penelitian ini menggunakan dataset penyakit ginjal yang terdiri dari 4.000 data pasien yang terbagi secara seimbang ke dalam empat kelas, yaitu normal, kista, batu ginjal, dan tumor, dengan masing-masing kelas berjumlah 1.000 data. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Proses pelatihan dan pengujian model dilakukan menggunakan algoritma SVM dan KNN, dengan evaluasi kinerja berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan performa yang sangat tinggi, dengan SVM mencapai akurasi sebesar 99,6% dan KNN mencapai akurasi sebesar 99,8%. Hasil ini menunjukkan bahwa metode machine learning efektif digunakan dalam mendukung deteksi penyakit ginjal. Namun demikian, penelitian lanjutan dengan dataset yang lebih beragam dan data klinis nyata masih diperlukan untuk meningkatkan robustnes dan kemampuan generalisasi model.
Co-Authors Adi Supriyatna ahmad yani Bibit Sudarsono Dedi Triyanto DENY KURNIAWAN Dwi Yuni Utami Fattya Ariani Fauzi Ahmad Muda HARIYANTO HARIYANTO Hasan, Fuad Nur Ibnu Rusdi Imam Budiawan Indah Suryani Karlena Indriani Karo-Karo, Julkarnaen Lita Sari Marita Nurhayati, M Sinta Nurlaelatul Maulidah Nurmalasari Pakpahan, Roida Pujiastuti, Lise Raihan Raihan, Raihan Riki Supriyadi Ruhul Amin Saputra, Irwansyah Sumanto, Sumanto Supriyadi Supriyadi Syakir, Adryan Raihan Ummu Radiyah, Ummu