Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Teknika Data Sciences Indonesia (DSI)
Duran, Filbert
Unknown Affiliation
Computer Science & IT Education Electrical & Electronics Engineering Engineering Physics

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

Found 3 Documents
Search

 1 
PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST CLASSIFIER DAN LIGHTGBM CLASSIFIER UNTUK PREDIKSI PENYAKIT JANTUNG Duran, Filbert; Wijaya, Frederico; Hulu, Yakin Rianto; Harahap, Mawaddah; Prabowo, Agung
Data Sciences Indonesia (DSI) Vol. 3 No. 2 (2023): Article Research Volume 3 Issue 2, December 2023
Publisher : ITScience (Information Technology and Science)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v3i2.3831

Abstract

Penyakit jantung merupakan masalah kesehatan serius yang dapat dicegah dan diobati. Dengan menjaga gaya hidup sehat, melakukan pemeriksaan kesehatan secara rutin, dan mengikuti anjuran dokter[1], risiko penyakit jantung dapat dikurangi. Random Forest Classifier (RFC) bagaikan hutan pohon keputusan yang bekerja sama untuk menghasilkan prediksi yang lebih jitu. Algoritma ini tergolong handal dan fleksibel, mampu menangani berbagai tugas klasifikasi dan regresi. Kelebihannya, RFC menawarkan akurasi tinggi, tahan terhadap overfitting, dan mudah diinterpretasikan[2]. RFC adalah algoritma machine learning yang kuat dengan banyak keunggulan, namun perlu dipertimbangkan pula keterbatasannya dalam hal komputasi dan fleksibilitas[3]. LightGBM merupakan algoritma machine learning yang kuat dan efisien untuk klasifikasi dan regresi. Kecepatan, akurasi, dan kemudahan penggunaannya menjadikannya pilihan yang menarik untuk berbagai aplikasi[4]. Dari hasil yang didapat dari penelitian ini adalah metode RFC dan LightGBM dapat disimpulkan bahwa metode RFC merupakan metode yang tergolong efektif dalam analisis penyakit jantung dengan akurasi prediksi dari model adalah 95,37%., dapat dikatakan bahwa metode Random Florest Classifier cocok untuk melakukan analisis penyakit jantung bedasarkan dataset yang ada.
Implementation of Blockchain Technology for Image Plagiarism Detection Using DCT, AES128, and SHA-1 Algorithms Duran, Filbert; Leonardo; Shickhem; Yennimar
Teknika Vol. 14 No. 1 (2025): March 2025
Publisher : Center for Research and Community Service, Institut Informatika Indonesia (IKADO) Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34148/teknika.v14i1.1205

Abstract

Plagiarism encompasses the act of appropriating high-quality user-generated content as if it were one's own intellectual property. Image plagiarism can be conceptualized as a broader category that encompasses the challenges of detecting copied images. Identifying instances of plagiarism is of paramount importance not only for graphic designers, professional photographers, and bloggers but also for publishing entities and legal practitioners seeking to uncover unauthorized reproductions of their creations. In addressing this issue, the implementation of blockchain technology presents a viable solution. Fundamentally more than just a collection of interconnected blocks, blockchain is characterized by the systematic recording of digital signatures or hashes of each block. Blockchain is essentially more than just a collection of interconnected blocks; it is characterized by the systematic recording of a digital signature or hash of each block. To generate the hash, cryptographic methods can be applied. This study aims to develop a web-based application that is adept at detecting image plagiarism through the application of blockchain technology. Images submitted by users will undergo plagiarism detection by an application that uses blockchain methodology. This study applies the DCT method to extract features from images, then uses the AES-128 and SHA-1 methods to generate blockchain. The results of this study are in the form of a website that can be used to detect image plagiarism. From the results of the tests carried out, it was obtained that the combination of the DCT, AES-128 and SHA-1 methods can detect image plagiarism with an accuracy of 100%. This means that the combination of these methods can be applied to carry out the process of detecting image plagiarism with a very high level of accuracy.
Perbandingan Kinerja Algoritma Random Florest Classifier Dan Lightgbm Classifier Untuk Prediksi Penyakit Jantung Duran, Filbert; Wijaya, Frederico; Hulu, Yakin Rianto; Harahap, Mawaddah; Prabowo, Agung
Data Sciences Indonesia (DSI) Vol. 3 No. 2 (2023): Article Research Volume 3 Issue 2, December 2023
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v3i2.3831

Abstract

Penyakit jantung merupakan masalah kesehatan serius yang dapat dicegah dan diobati. Dengan menjaga gaya hidup sehat, melakukan pemeriksaan kesehatan secara rutin, dan mengikuti anjuran dokter[1], risiko penyakit jantung dapat dikurangi. Random Forest Classifier (RFC) bagaikan hutan pohon keputusan yang bekerja sama untuk menghasilkan prediksi yang lebih jitu. Algoritma ini tergolong handal dan fleksibel, mampu menangani berbagai tugas klasifikasi dan regresi. Kelebihannya, RFC menawarkan akurasi tinggi, tahan terhadap overfitting, dan mudah diinterpretasikan[2]. RFC adalah algoritma machine learning yang kuat dengan banyak keunggulan, namun perlu dipertimbangkan pula keterbatasannya dalam hal komputasi dan fleksibilitas[3]. LightGBM merupakan algoritma machine learning yang kuat dan efisien untuk klasifikasi dan regresi. Kecepatan, akurasi, dan kemudahan penggunaannya menjadikannya pilihan yang menarik untuk berbagai aplikasi[4]. Dari hasil yang didapat dari penelitian ini adalah metode RFC dan LightGBM dapat disimpulkan bahwa metode RFC merupakan metode yang tergolong efektif dalam analisis penyakit jantung dengan akurasi prediksi dari model adalah 95,37%., dapat dikatakan bahwa metode Random Florest Classifier cocok untuk melakukan analisis penyakit jantung bedasarkan dataset yang ada.
Co-Authors Agung Prabowo Hulu, Yakin Rianto Leonardo Mawaddah Harahap, Mawaddah Shickhem Wijaya, Frederico Yennimar