Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Jurnal Informatika: Jurnal Pengembangan IT
Amarya, Theo Krisna
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Analisa Perbandingan Algoritma Classification Berdasarkan Komposisi Label Amarya, Theo Krisna; Andy G, Asye Candra; Achmad, Ridho; Daniati, Erna; Ristyawan, Aidina
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 1 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i1.4906

Abstract

Di Indonesia, salah satu penyebab kematian dan gangguan neurologis paling umum adalah stroke. Tujuan penelitian ini adalah untuk membandingkan kinerja algoritma klasifikasi sebelum dan sesudah balance serta cross validation dalam mengklasifikasi penyakit stroke menggunakan dataset predict-stroke dari Kaggle. Random Forests, KNN, Naive Bayes, Decision Trees, SVM, Neural Networks, dan Logistic Regression adalah algoritma yang diuji. Pada penelitian ini, metode percobaan (eksperimen) digunakan. Langkah-langkah pemrosesan termasuk preprocessing, pembagian data untuk membedakan data pelatihan dan pengujian, dan evaluasi dengan cross-validation. nilai yang akan dinilai adalah akurasi, presisi, recall, dan F1. Hasilnya menunjukkan bahwa algoritma Random Forest menunjukkan tingkat akurasi tertinggi 94% setelah cross-validation dan penyeimbangan data. Meskipun, karena proses penyeimbangan, akurasi berkurang, Random Forest tetap memiliki performa yang baik dalam klasifikasi.
Analisis Paradigma Interaksi Manusia-Komputer Di Situs Universitas Nusantara PGRI Kediri Amarya, Theo Krisna; Sahra, Maha Shelin; Galuh, Asye Candra Andy; Putri, Fitria Dessela; I, Ridho Achmad
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 8 No. 1 (2024): PROSIDING SEMINAR NASIONAL INOVASI TEKNOLOGI TAHUN 2024
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/inotek.v8i1.4936

Abstract

Situs web SPADA Universitas Nusantara PGRI Kediri memungkinkan mahasiswa untuk mendapatkan informasi akademik. Dengan menganalisis prinsip-prinsip yang mendasar dari sistem, penelitian ini bertujuan untuk memastikan cara sistem beroperasi. Prinsip-prinsip yang terkait dengan paradigma hubungan manusia komputer (IMK) awal Untuk mengevaluasi situs web SPADA Universitas Nusantara PGRI Kediri, penulis menggunakan metode penilaian heuristik Nielsen dan pendekatan Molich. Sepuluh variabel akan dievaluasi: visibilitas sistem, kompatibilitas sistem dengan dunia nyata, dan kontrol dan kebebasan. Sistem ini memiliki banyak fitur, termasuk integrasi dengan dunia nyata, kontrol dan kebebasan, stabilitas dan standarisasi, pencegahan, pemrosesan kognitif yang tidak bergantung pada ingatan, fleksibilitas dan kemanjuran penggunaan, dan pengurangan estetika. Hasilnya menunjukkan bahwa situs SPADA di Universitas Nusantara PGRI Kediri sudah memenuhi konsep dan prinsip dasar dari paradigma interaksi antara manusia dan komputer.
Optimasi Preprocessing Model Random Forest untuk Prediksi Stroke Ristyawan, Aidina; Nugroho, Arie; Amarya, Theo Krisna
JATISI Vol 12 No 1 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i1.9587

Abstract

Stroke is a serious brain dysfunction disease that occurs when blood flow to the brain suddenly stops due to blockage or rupture of blood vessels. This disease is very dangerous and life-threatening. Early detection of stroke symptoms is very important to predict and prevent long-term impacts because it can save lives. Among the early detection efforts is using the Random Forest method in machine learning to predict stroke and successfully achieving 94% accuracy. This study proposes optimization of preprocessing / data preparation with interference of missing value handlers in the stroke prediction model using KNNImputer. The result is that the Random Forest method is able to improve the accuracy performance from initially having an accuracy value of 94% to between 95% - 96%. In addition, it also reduces the standard deviation or standard deviation of the Random Forest model. However, the strategy for the sequence of work between missing value handlers and categorical feature transformations does not affect the performance of the Random Forest model.
Optimization of Random Forest Algorithm Performance for Early Detection of Stroke Disease Using Medical Record Data Amarya, Theo Krisna; Ristyawan, Aidina; Firliana, Rina
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 3 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i3.8424

Abstract

Stroke is a medical condition that occurs when blood flow to the brain is blocked, causing damage to brain tissue. Stroke is the second largest cause of death and disability in the world, this disease can affect all ages and is influenced by various risk aspects, such as unhealthy lifestyles, high blood pressure, high blood sugar levels, and other risks. It is very important to detect stroke in patients as soon as possible to prevent it. This study proposes the optimization of the performance of the Random Forest algorithm as an early detection model for stroke by utilizing a hybrid sampling method called SMOTETomek and also conducting several experiments on the parameter settings of the Random Forest algorithm. The results of this study show an increase compared to the previous one which had an accuracy was 94% with a standard deviation of 2%, In this study, it managed to reach accuracy of 96% with a standard deviation of 0% with a ROC curve (AUC) value of 0.96 or 96%. The algorithm that has 96% accuracy in the discussion is Random Forest Algorithm as estimator of AdaBoost.
Aplikasi Deteksi Dini Penyakit Stroke Menggunakan Streamlit Amarya, Theo Krisna; Firliana, Rina; Ristyawan, Aidina
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/xgvr9h34

Abstract

Di seluruh dunia, stroke adalah penyebab kematian dan kecacatan jangka panjang nomor dua.  Untuk mengurangi risiko komplikasi dan meningkatkan peluang kesembuhan pasien, deteksi dini stroke sangat penting.  Tujuan penelitian ini adalah untuk membuat aplikasi deteksi dini stroke berbasis pembelajaran mesin yang lebih akurat dengan menggunakan algoritma Random Forest dan Adaptive Boosting (AdaBoost).  Dataset Kaggle dengan 5.110 sampel dan dua belas fitur digunakan.  Implementasi model, pembagian dataset (80 persen pelatihan, 20 persen pengujian), dan pra-pemrosesan data (menangani nilai yang tidak ada, transformasi data, dan penyeimbangan kelas menggunakan SMOTETomek) adalah tahapan penelitian.  Hasilnya menunjukkan akurasi sebesar 96% untuk kedua kelas—stroke dan non-stroke—dengan presisi dan recall yang seimbang. Untuk memfasilitasi visualisasi dan prediksi secara real-time, framework Streamlit digunakan dalam pengembangan aplikasi.  Hasil penelitian menunjukkan bahwa kombinasi AdaBoost-Random Forest berhasil dalam klasifikasi stroke. Aplikasi berbasis web ini mungkin menjadi alat bantu yang bermanfaat untuk diagnosis stroke cepat.
Co-Authors Achmad, Ridho Aidina Ristyawan, Aidina Andy G, Asye Candra Arie Nugroho, Arie Erna Daniati Galuh, Asye Candra Andy I, Ridho Achmad Putri, Fitria Dessela Rina Firliana Sahra, Maha Shelin