Article Per Year (5 Year)
p-Index From 2021 - 2026
0.983
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Journal of Computer Networks, Architecture and High Performance Computing Jurnal Nasional Teknologi Komputer Pengabdian Deli Sumatera
Irwan Daniel
Universitas Deli Sumatera
Agriculture, Biological Sciences & Forestry Computer Science & IT Economics, Econometrics & Finance Education Social Sciences

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Analysis of Gradient Boosting, XGBoost, and CatBoost on Mobile Phone Classification Agus Fahmi Limas Ptr; Muhammad Mizan Siregar; Irwan Daniel
Journal of Computer Networks, Architecture and High Performance Computing Vol. 6 No. 2 (2024): Articles Research Volume 6 Issue 2, April 2024
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v6i2.3790

Abstract

In the ever-evolving landscape of mobile phone technology, accurately classifying device specifications is paramount for market analysis and consumer decision-making. This research conducts a comprehensive analysis of mobile phone specification classification using three prominent machine learning algorithms: Gradient Boosting, XGBoost, and CatBoost. Through meticulous dataset acquisition and preprocessing steps, including resolution normalization and price categorization, features essential for classification analysis were standardized. Robust cross-validation techniques were employed to assess model performance effectively. The study demonstrates the significant impact of normalization techniques on improving model performance across all algorithms and fold variations. CatBoost consistently emerges as the top-performing algorithm, followed closely by XGBoost, with Gradient Boosting displaying respectable performance. Notably, CatBoost consistently achieves the highest AUC values and accuracy scores, demonstrating superior performance in accurately classifying mobile phone specifications. These findings underscore the importance of preprocessing methods and algorithm selection in achieving optimal classification results. For mobile phone manufacturers, leveraging machine learning algorithms for effective classification can inform product development strategies, optimizing offerings based on consumer preferences. Similarly, for data analysts, employing appropriate preprocessing techniques and algorithmic approaches can lead to more accurate predictions and informed decision-making. Future research avenues include exploring advanced preprocessing methods, investigating alternative algorithms, and incorporating additional features or datasets to enrich the classification process. Overall, this research contributes to understanding mobile phone specification classification through machine learning methodologies, offering actionable insights for industry practitioners and researchers to address evolving market dynamics and consumer preferences.
DIGITALISASI PAGUYUBAN WARGI SUNDA SUMATERA UTARA: IMPLEMENTASI WEBSITE DAN DATABASE Aulia Ichsan; Irwan Daniel; Doughlas Pardede; Sugeng Riyadi
Pengabdian Deli Sumatera Vol 4 No 1 (2025): Artikel Pengabdian Juli 2025
Publisher : LLPM Universitas Deli Sumatera

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

Abstract

Paguyuban Wargi Sunda Sumatera Utara (PWS Sumut) merupakan organisasi kultural yang menjadi wadah bagi masyarakat Sunda di Sumatera Utara untuk melestarikan identitas budaya, mempererat ikatan sosial, serta menguatkan peran aktif komunitas dalam kehidupan berbangsa dan bernegara. Namun dalam era digitalisasi informasi yang terus berkembang pesat, organisasi ini menghadapi tantangan serius berupa keterbatasan sistem dokumentasi, pengelolaan data anggota yang belum terstruktur secara digital, minimnya kehadiran online yang dapat menjangkau komunitas lebih luas, serta rendahnya efisiensi komunikasi dan koordinasi antar pengurus dan anggota yang tersebar di berbagai wilayah Sumatera Utara. Kegiatan pengabdian kepada masyarakat ini bertujuan untuk melaksanakan digitalisasi menyeluruh bagi PWS Sumut melalui pembangunan website organisasi berbasis Content Management System (CMS) dan implementasi sistem database keanggotaan yang terintegrasi. Kegiatan dilaksanakan pada Sabtu, 18 Januari 2025 di Convention Hall Gedung Perpustakaan Universitas Medan Area (UMA), dalam rangkaian Seminar Nasional Kebangsaan bertema Penerapan Falsafah Sunda Dalam Ketahanan Sosial Budaya Nasional Di Era Digitalisasi Informasi. Metode pelaksanaan meliputi pelatihan teknis, demonstrasi langsung, dan pendampingan implementasi sistem. Hasil kegiatan menunjukkan bahwa PWS Sumut berhasil memiliki website resmi yang memuat profil organisasi, agenda kegiatan, berita, galeri, serta database keanggotaan yang dapat dikelola secara digital oleh pengurus. Lebih dari 87,5% peserta pelatihan menyatakan mampu mengoperasikan sistem secara mandiri, dan lebih dari 91,7% menyatakan puas terhadap keseluruhan kegiatan. Digitalisasi ini diharapkan meningkatkan efektivitas komunikasi organisasi, memperluas jangkauan komunitas Sunda di Sumatera Utara, dan mendukung pelestarian nilai budaya Sunda di era digital.
Development and Evaluation of Digital Image-Based Tomato Leaf Disease Classification Model Using Transfer Learning Muhammad Rasyid; Sugeng Riyadi; Irwan Daniel
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 10, No 1 (2025): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v10i1.11915

Abstract

Leaf diseases in tomato plants (Solanum lycopersicum), including Early Blight, Late Blight, and Leaf Mold, can cause substantial reductions in crop yield if not detected at an early stage. Conventional manual detection methods are constrained by limitations in speed, consistency, and accuracy, particularly under field conditions. This study proposes a tomato leaf disease classification framework leveraging a transfer learning approach, in which the Inception V3 architecture functions as a feature extractor and the Random Forest algorithm serves as the classifier. The dataset employed comprises four categories of tomato leaf images—Early Blight, Late Blight, Leaf Mold, and Healthy—which were stratified into training (80%) and testing (20%) subsets. All images were resized to 299×299 pixels, normalized, and subjected to optional data augmentation. Feature representations were extracted from the Global Average Pooling layer of Inception V3 pretrained on the ImageNet dataset and subsequently input into a Random Forest classifier with hyperparameters optimized via grid search. Experimental evaluation demonstrated that the proposed model achieved an accuracy of 94.3%, surpassing the performance of a conventional CNN (89.2%) and a Random Forest classifier without transfer learning (76.5%). The confusion matrix analysis revealed the highest classification performance for the Healthy and Late Blight categories, whereas the Leaf Mold category exhibited a higher misclassification rate due to its visual symptom similarity to Early Blight. The findings of this research indicate that a hybrid methodology combining deep learning-based feature extraction and classical machine learning algorithms is highly effective for agricultural image classification in scenarios with limited datasets. Furthermore, the proposed approach holds significant potential for integration into web- or mobile-based decision support systems, enabling rapid and accurate plant disease detection in practical agricultural settings.
Prediksi Risiko Diabetes Melitus Menggunakan Algoritma Random Forest Pada Dataset Pima Indians Diabetes Yohana; Raja Nasrul Fuad; Irwan Daniel
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.495

Abstract

Diabetes melitus merupakan penyakit tidak menular dengan prevalensi yang terus meningkat, baik secara global maupun di Indonesia, sehingga deteksi dini berbasis data klinis menjadi penting untuk mendukung intervensi yang lebih cepat dan tepat sasaran. Penelitian ini bertujuan menerapkan dan mengevaluasi algoritma Random Forest untuk memprediksi risiko diabetes berdasarkan atribut klinis dasar. Penelitian ini menggunakan dataset Pima Indians Diabetes Database dari UCI Machine Learning Repository yang diunduh melalui Kaggle. Dataset ini terdiri dari 768 instance dengan 8 atribut klinis dan 1 atribut target (Outcome). Nilai nol yang tidak logis secara medis pada atribut Glucose, BloodPressure, SkinThickness, Insulin, dan BMI ditangani melalui imputasi mean, dilanjutkan standardisasi fitur. Model dilatih menggunakan algoritma Random Forest dengan skema stratified 10-fold cross validation pada platform Orange Data Mining. Model mencapai Area Under Curve (AUC) sebesar 0,798, akurasi klasifikasi (CA) 0,746, F1-Score 0,743, presisi 0,742, recall 0,746, dan Matthews Correlation Coefficient (MCC) 0,430. Analisis confusion matrix menunjukkan model lebih baik mengenali kelas tidak diabetes (recall 83,0%) dibandingkan kelas diabetes (recall 59,0%). Glucose dan BMI teridentifikasi sebagai prediktor paling dominan. Random Forest memberikan performa prediksi yang cukup baik, namun sensitivitas terhadap kelas diabetes masih perlu ditingkatkan melalui penanganan ketidakseimbangan kelas dan penyesuaian hyperparameter. Kata Kunci: diabetes melitus, klasifikasi, machine learning, orange data mining, random forest
Klasifikasi Gambar Hewan Peliharaan Menggunakan CNN Berbasis Deep Learning Leon Anugerah Vebrian Batee; Sugeng Riyadi; Irwan Daniel
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.499

Abstract

Perkembangan teknologi kecerdasan buatan dalam bidang pengolahan citra digital telah mendorong pemanfaatan metode deep learning untuk melakukan klasifikasi gambar secara otomatis. Klasifikasi citra hewan peliharaan menjadi salah satu penerapan penting dalam computer vision karena dapat membantu proses identifikasi objek secara cepat dan akurat. Penelitian ini bertujuan untuk membangun model klasifikasi gambar hewan peliharaan menggunakan Convolutional Neural Network (CNN) dengan arsitektur InceptionV3 melalui Orange Data Mining. Dataset yang digunakan terdiri dari 2.283 gambar kucing dan anjing dalam format JPG. Tahapan penelitian meliputi pengumpulan dataset, preprocessing citra, ekstraksi fitur menggunakan Image Embedding berbasis InceptionV3, pembagian data menjadi data pelatihan dan data pengujian, proses pelatihan model, serta evaluasi performa menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model CNN dengan arsitektur InceptionV3 memperoleh nilai accuracy sebesar 99,0%, precision sebesar 99,0%, recall sebesar 99,0%, dan F1-score sebesar 99,0%. Berdasarkan hasil tersebut dapat disimpulkan bahwa model CNN dengan arsitektur InceptionV3 mampu memberikan tingkat akurasi yang sangat tinggi dalam klasifikasi gambar hewan peliharaan. Penelitian ini menunjukkan bahwa pemanfaatan Orange Data Mining dengan fitur Image Embedding berbasis InceptionV3 efektif digunakan dalam proses klasifikasi citra digital dan memiliki potensi untuk dikembangkan lebih lanjut pada berbagai aplikasi computer vision berbasis kecerdasan buatan. Kata Kunci: Convolutional Neural Network (CNN), InceptionV3, Deep Learning, Klasifikasi Citra, Orange Data Mining.
Co-Authors Agus Fahmi Limas Ptr Aulia Ichsan Doughlas Pardede Leon Anugerah Vebrian Batee Muhammad Mizan Siregar Muhammad Rasyid Raja Nasrul Fuad Sugeng Riyadi Sugeng Riyadi Yohana