Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal MDP Student Conference Jurnal Informatika dan Komputer
Fajar, Yahya Ibnu
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering

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

Found 3 Documents
Search

 1 
Perbandingan Algoritma ID3, Naive Bayes, SVM Berbasis PSO untuk Prediksi Serangan Jantung Prayogi, M. Bagus; Irawan, Indra; Fajar, Yahya Ibnu
MDP Student Conference Vol 3 No 1 (2024): The 3rd MDP Student Conference 2024
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/mdp-sc.v3i1.6979

Abstract

This research aims to evaluate the precision of three primary predictive algorithms—ID3, naïve bayes, and SVM (SVM)—optimized using the particle swarm optimization (PSO) algorithm for detecting and predicting heart attacks. The methodology involves comparing these algorithms as tools for categorizing data into relevant groups and optimizing them using PSO to enhance prediction accuracy. Data from kaggle and uci repositories are managed using RapidMiner. The study reveals accuracy results: the ID3 algorithm achieves 75.20% accuracy with AUC 0.735, post-PSO optimization increases accuracy to 80.49% with AUC 0.815. The naïve bayes algorithm attains 81.52% accuracy with AUC 0.890, post-PSO optimization enhances accuracy to 83.94% with AUC 0.901. The SVM (SVM) algorithm records 82.13% accuracy with AUC 0.895, post-PSO optimization boosts accuracy to 84.83% with AUC 0.900.
PERANCANGAN SISTEM PENJUALAN BERBASIS DEKSTOP (STUDI KASUS : PERCETAKAN DARRA) Prayogi, M. Bagus; Fajar, Yahya Ibnu; Jakak , , Pamuji Muhamad
JICode: Jurnal Informatika dan Komputer Vol. 1 No. 2 (2024): Edisi Agustus
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30599/jicode.v1i2.3775

Abstract

Percetakan Darra menghadapi berbagai tantangan dalam mengelola penjualan dan persediaan secara efisien. Sistem manual yang digunakan saat ini sering menyebabkan ketidakakuratan data dan kesulitan dalam pemantauan stok barang. Oleh karena itu, diperlukan sebuah sistem informasi penjualan berbasis desktop untuk meningkatkan efisiensi dan akurasi dalam pengelolaan data penjualan. Penelitian ini bertujuan untuk merancang yang dapat digunakan untuk mengembangkan sistem informasi penjualan berbasis desktop yang dapat membantu Percetakan Darra dalam mengelola transaksi penjualan, persediaan barang, serta menghasilkan laporan yang akurat dan tepat waktu. Perancangan sistem menggunakan Unit Modeling Language (UML) sebagai alat bantu dalam proses perancangan sistem untuk memodelkan struktur dan perilaku sistem yang akan dibangun.
PENERAPAN TENSORFLOW DALAM PREDIKSI JENIS KELAMIN DENGAN MENGGUNAKAN ALGORITMA CNN Fajar, Yahya Ibnu; Wardianto; Anshori
JICode: Jurnal Informatika dan Komputer Vol. 2 No. 1 (2025): Edisi Februari
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30599/zp5ch268

Abstract

Wajah merupakan komponen yang paling mudah dikenali dan sering kali menjadi pusat perhatian dalam tubuh manusia. Sering terjadinya kesulitan dalam membedakan dan menganalisis citra wajah dengan jumlah yang banyak secara manual karena banyaknya kemiripan antara laki-laki dan perempuan sehingga memperlambat proses identifikasi jenis kelamin. Tujuan dari penelitian ini yaitu menerapkan TensorFlow dalam pengembangan model CNN untuk memprediksi jenis kelamin dari gambar wajah. Penelitian ini diharapkan dapat memberikan wawasan tentang efektivitas penggunaan algoritma CNN dalam pengenalan gambar. Penelitian ini menggunakan pendekatan eksperimen dengan dataset gambar wajah yang mencakup individu laki-laki dan perempuan yang terbagi menjadi data train dan validation untuk prediksi jenis kelamin. Model dilatih dengan teknik deep learning, dan menggunakan algoritma CNN kemudian evaluasi menggunakan confusion matrix, precision, recall, F1-score, dan accuracy. Berdasarkan hasil dari pelatihan model sebanyak 8 Epoch menunjukan semua gambar wajah dapat diproses untuk mendeteksi gender dengan nilai Pengujian identifikasi tingkat accuracy sebesar  0.92 dan  loss sebesar 0.28. hasil penelitian dengan menggunakan metode ini dapat meningkatkan kinerja sistem pengenalan wajah berdasarkan jenis kelamin secara praktis. Selain itu, penelitian ini juga memberikan rekomendasi untuk meningkatkan akurasi lebih lanjut dan eksplorasi teknologi terkini dalam upaya mengoptimalkan aplikasi pengenalan gender di masa depan.
Co-Authors Anshori Indra Irawan Jakak , , Pamuji Muhamad Prayogi, M. Bagus Wardianto