Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi
Sulton, Rizal
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mechanical Engineering Transportation

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

Found 2 Documents
Search

 1 
Pengolompokan Data Tingkat Partisipasi Masyarakat dalam Penanggulanagan HIV/AIDS Menggunakan K-Means Berbasis Median dalam Penentuan Pusat Klaster Sulton, Rizal
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 4, No 1 (2023): Metaverse dan Masa Depan Interaksi Digital: Perspektif Teknologi dan Sosial
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/coreai.v4i1.4280

Abstract

Pada tahun 2016, di Indonesia kasus baru infeksi HIV meningkat 33,4% dibandingkan tahun sebelumnya. Terdapat 69,3% kasus baru infeksi HIV pada kelompok umur 25-49, sementara 63,3% penderita adalah laki-laki. Rasio HIV/AIDS antara laki-laki dan perempuan tercatat pada kisaran 2:1. Salah satu layanan penanggulangan HIV-AIDS dan IMS ialah konseling dan tes HIV (KT HIV).  Berdasarkan berlimpahnya data konseling dan tes, informasi yang tersembunyi dapat diketahui dengan cara melakukan pengolahan terhadap data tersebut sehingga berguna bagi petugas kesehatan. Pengolahan data klien  perlu dilakukan untuk mengetahui informasi penting berupa pengetahuan baru (knowledge discovery) yakni berupa pengelompokan data  atau klaster data tingkat partisipasi masyarakat dalam penanggulangan HIV AIDS . Metode yang digunakan dalam pengolahan data di penelitian  ini adalah K-Means dengan berbasis perhitungan  median dalam penentuan pusat klaster, penggunaan median adalah untuk meningkatkan kinerja K-means dalam penentuan pusat klaster sehinggna memperoleh hasil data pengelompokan lebih baik.  Hasil penelitian menunjukkan bahwa proses klaster K-Means yang menggunakan penentuan pusat klaster berbasis median menghasilkan nilai evaluasi DBI 0,5857 sedangkan proses klaster K-Means tanpa penentuan pusat klaster berbasis median bernilai evaluasi DBI -0,647. Menurut teori konsep DBI, DBI tersebut menginginkan nilai (non-negatif >=0) sekecil mungkin untuk menilai baiknya klaster yang didapat. Dengan demikian berdasarkan hasil evaluasi DBI pada proses K-means menggunakan penentuan pusat klaster awal berbasis median lebih baik  dari pada proses perhitungan K-Means tanpa menggunakan penentuan awal klaster berbasis median
Optimasi Metode Naïve Bayes Menggunkanan Algoritma Particle Swarm Optimization (PSO) untuk Prediksi Penyakit Diabetes Mellitus Sukron, Moh.; Supriadi, Ahmad; Sulton, Rizal
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 2, No 2 (2021): Metaverse dan Masa Depan Interaksi Digital: Perspektif Teknologi dan Sosial
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (311.597 KB) | DOI: 10.33650/coreai.v2i2.3304

Abstract

Deabetes Mellitus merupakan salah satu penyakit dimana terdapat tingkat kadar gula (glukosa) yang tinggi didalam darah dalam kontek defisiensi insulin relatif dan resistensi insulin. Diabetes Mellitus sulit untuk diprediksikan. Dengan pemannfaatan database pasien, peneliti mencoba mengolah variabel pasien Deabetes Mellitus dalam medapatkan akurasi prediksi penyakit Diabetes Mellitus dengan memanfaatkan data mining. Metode yang digunakan adalah Naive Bayes, namun metode Naïve Bayes memiliki kelemahan yaitu hasil probabilitas kurang berjalan seara optimal dan sering salah pada atribut. Guna mengatasi kelemahan Naïve Bayes, salah satu cara yaitu dengan metode pembobotan atribut menggunakan algotima Prticle Swarm Optimization (PSO). Hasil penelitain menunjukkan akurasi metode naïve bayes menghasilkan akurasi sebesar 86,80% dan Naïve Bayes dengan Particle Swarm Optimization (PSO)  menghasilkan akurasi 89,84%. Dari hasil tersebut dapat disimpulkan metode naive bayes yang di optimasi dengan pembobotan atribut di dapatkan nilai akurasi yang lebih baik dengan peningkatan akurasi 3,04%.
Co-Authors Moh. Sukron Supriadi, Ahmad