Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal Sisfokom (Sistem Informasi dan Komputer)
Perdana, Aziz
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analyze Important Features of PIMA Indian Database For Diabetes Prediction Using KNN Perdana, Aziz; Hermawan, Arief; Avianto, Donny
Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 12, No 1 (2023): MARET
Publisher : ISB Atma Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32736/sisfokom.v12i1.1598

Abstract

Diabetes is a chronic, non-communicable disease, and a long-term health condition that affects how the body uses glucose, the type of sugar that gives energy. In Indonesia, diabetes ranks as the sixth highest cause of death, following conditions related to childbirth. In 2021, Indonesia has a total of 19.5 million diabetes patients, making it the fifth-highest in the world. Some machine learning research has used data from the PIDD (PIMA Indian Diabetes Dataset) to predict diabetes. In this research, in addition to prediction accuracy, data complexity is also important. This research analyzes important features in the PIMA Indian database using the KNN (k-nearest neighbor) method for classification. The results show that using KNN with k=22 value results in the highest accuracy of 83.12%. The analysis also found that the important features required by the KNN method to achieve high accuracy from the PIMA Indian database, in order of importance, are glucose, age, insulin, blood pressure, Body Mass Index, pregnancy, skin thickness, and diabetes pedigree function. However, when used in the KNN classification method, the diabetes pedigree function feature was found to be unnecessary, not relevant, and can be reduced. 
Perbandingan Naive Bayes dan Gated Recurrent Unit untuk Klasifikasi Keluhan Publik di Kabupaten Sleman Perdana, Aziz; Pramudwiatmoko, Arif
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.81687

Abstract

Pemerintah Kabupaten Sleman, sejak 15 Mei 2016, telah meluncurkan aplikasi bernama 'Lapor Sleman', yang berfungsi sebagai platform untuk mengajukan keluhan masyarakat. Warga menginput data keluhan ke dalam aplikasi 'Lapor Sleman', termasuk kategori keluhan, judul laporan, rincian, serta foto dan koordinat. Seiring waktu, penggunaan media sosial seperti Twitter telah memberikan masyarakat berbagai opsi untuk mengekspresikan keluhannya. Klasifikasi manual dari banyak postingan Twitter oleh manusia telah menjadi tugas rutin yang seharusnya dapat dilakukan secara otomatis oleh mesin. Selain itu, memfasilitasi masyarakat dalam mengajukan keluhan, termasuk klasifikasi keluhan otomatis, adalah sesuatu yang perlu diimplementasikan. Tujuan utama penelitian ini adalah mengevaluasi efektivitas dan akurasi metode Machine Learning (Naive Bayes Classifier) dan Deep Learning (Gated Recurrent Unit) dalam mengkategorikan keluhan masyarakat di Kabupaten Sleman. Tujuan penelitian secara khusus meliputi: (1) Menganalisis dampak hyperparameter Naive Bayes Classifier (NBC) terhadap akurasi selama pelatihan dan implementasi berkas pickle; (2) Menganalisis hyperparameter Gated Recurrent Unit (GRU) terhadap akurasi selama pelatihan dan penggunaan berkas h5 dan pth; (3) Membandingkan kinerja antara metode NBC dan GRU. Dataset pelatihan terdiri dari 5.308 keluhan masyarakat yang dikumpulkan dari aplikasi 'Lapor Sleman'. Hasil menunjukkan keunggulan NBC. Namun, NBC sedikit kurang dalam mencapai akurasi dataset keseluruhan dibandingkan dengan GRU PyTorch. Sebaliknya, GRU di TensorFlow menunjukkan kinerja yang relatif kurang baik, menempati peringkat ketiga dalam sebagian besar aspek. Selain itu, GRU di TensorFlow menunjukkan tanda-tanda overfitting, terlihat melalui penurunan akurasi selama pengujian dengan dataset lengkap.
Co-Authors Donny Avianto Pramudwiatmoko, Arif