Claim Missing Document
Check
Articles

Found 3 Documents
Search

Integrasi Cloud Computing untuk Analisis Big Data Juroihan, Muhammad; Fikri, Wildan Khoirul; Mohdo, Lorina; Fikri, Muhamad; Romadhon, Rafael Nuansa; Encep, Muhammad
Karimah Tauhid Vol. 3 No. 4 (2024): Karimah Tauhid
Publisher : Universitas Djuanda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30997/karimahtauhid.v3i4.12679

Abstract

Dalam perkembangan teknologi informasi terdapat periode luar biasa yang ditandai dengan pertumbuhan data digital secara eksponensial yaitu di sebut dengan periode era big data. Fenomena ini menciptakan lanskap informasi yang penuh peluang dan tantangan. Dalam pendahuluan ini, kami memandu pembaca untuk memahami sifat era big data, dengan fokus pada penganalisisan penggunaan big data dengan intergasi teknologi cloud computing. Sebagian besar data yang digunakan untuk pendataan ekonomi, lingkungan hidup, lahan, keamanan, lalu lintas dan lain lain dihasilkan di perkotaan. Data yang berkaitan dengan kualitas hidup, khususnya kejahatan dan keamanan, serta ekonomi dan lapangan kerja, dianalisis dengan daftar data untuk mengukur indikator-indikator yang tersebar selama beberapa tahun untuk menilai tren positif dan negatif. Maka selanjutnya,  Integrasi komputasi awan membuka pintu menuju kecepatan, skala, dan efisiensi yang tak  tertandingi, memberikan landasan yang kuat untuk mengatasi tantangan yang terkait dengan pengelolaan volume data yang terus meningkat. Oleh karena itu, pendahuluan ini memberikan gambaran singkat namun komprehensif mengenai era big data dengan pengintegrasian cloud dapat membawa kita menuju masa depan yang lebih cerdas.
Sistem IT untuk Input Data Pengaduan Masyarakat Mohdo, Lorina; Dzikri, Muhammad; Susanti, Aisah Rini
Karimah Tauhid Vol. 3 No. 11 (2024): Karimah Tauhid
Publisher : Universitas Djuanda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30997/karimahtauhid.v3i11.15273

Abstract

Sistem input data pengaduan masyarakat yang diterapkan memfasilitasi pengelolaan data pengaduan yang masuk dari masyarakat Baik secara Online Maupun Offline dengan lebih efisien dan terstuktur. Penelitian dilakukan untuk melihat  efektivitas sistem dalam mendukung proses pengelolaan pengaduan berbasis IT. Hasil penelitian menunjukkan bahwa sistem input data pengaduan dengan berbasisi IT membantu dalam menjaga kestabilan d ata pengaduan yang masuk. Sistem tersebut  memungkinkan penginputan data yang cepat dan konsisten, serta mendukung proses penyelesaian pengaduan dengan lebih cepat dan akurat, serta membuat waktu penyelesaian pengaduan lebih cepat terselesaikan. infrastruktur dan keterampilan teknis perlu ditingkatkan. Pengaduan masyarakat merupakan salah satu bentuk komunikasi antara masyarakat dengan pemerintah dimana masyarakat dapat menyampaikan keluhan atau pendapatnya terhadap pelayanan publik. Menurut Keputusan Menteri Pendayagunaan Badan Negara dan Reformasi Birokrasi Nomor 24 Tahun 2014, pengaduan masyarakat adalah informasi atau laporan masyarakat mengenai tanda-tanda maladministrasi, ilegalitas, atau penyalahgunaan kekuasaan.
Analisis Kinerja Decision Tree dan Random Forest Menggunakan Dataset Breast Cancer: Performance Analysis of Decision Tree and Random Forest Using Breast Cancer Dataset Firdaus, Uus; Alfiah, Ananda; Mohdo, Lorina
Jurnal Pendidikan Sains dan Komputer Vol. 6 No. 01 (2026): Artikel Riset, February 2026
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/jpsk.v6i01.7892

Abstract

Breast cancer is a disease with a high mortality rate in women worldwide, making early detection a crucial factor in increasing the chances of successful treatment and patient survival. Advances in computing technology, particularly machine learning, have created opportunities to use medical data to inform decision-making in the diagnostic process. This study aims to analyze and compare the performance of the Decision Tree and Random Forest algorithms in classifying breast cancer using the Wisconsin Breast Cancer Dataset. The dataset comprises 569 data points with 30 numeric attributes representing cancer cell characteristics and a class label indicating benign or malignant cancer. The research stages include data preprocessing, splitting the data into training and test sets (80:20), applying the classification algorithm, and evaluating model performance using accuracy, precision, recall, and F1-score metrics. The test results show that the Random Forest algorithm outperforms the Decision Tree. Random Forest achieved an accuracy of 98.68% on the training data and 95.61% on the test data, while Decision Tree achieved an accuracy of 96.92% on the training data and 91.23% on the test data. This difference indicates that Random Forest has better generalization capabilities and is more resistant to overfitting. The findings of this study indicate that Random Forest is more effective for data-based breast cancer classification than Decision Tree. Therefore, the Random Forest algorithm is recommended as a more reliable method to support decision support systems in early breast cancer detection.