Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JAMI: Jurnal Ahli Muda Indonesia Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Faruqziddan, Muhammad
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Social Sciences Transportation

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

Found 3 Documents
Search

 1 
Klasifikasi Risiko Kambuhnya Kanker Tiroid Menggunakan Algoritma Random Forest Faruqziddan, Muhammad; Aulia, Ewanda Herdika Septa; Azzahra, Salsabila Dini; Ristyawan, Aidina; Daniati, Erna
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.v8i1.4912

Abstract

Kanker Tiroid merupakan sebuah jenis kanker yang berkembang dalam kelenjar tiroid, organ kecil yang terletak di bagian depan leher. Meskipun tingkat kematian akan kanker jenis tersebut rendah tetapi risiko kambuhnya kanker tiroid menjadi salah satu masalah lain yang perlu diatasi. Untuk membantu mengevaluasi kambuhnya kanker tiroid pada pasien tujuan penelitian ini mengembangkan sebuah model algoritma dengan memanfaatkan dataset dari UCI Machine Learning Repository. Dataset tersebut termasuk kedalam kategori klasifikasi dan Algoritma yang akan digunakan adalah Random Forest. Setelah dilakukan penelitian sesuai dengan Knowlegde Discovery in Databases (KDD), algoritma Random Forest memiliki Sensitifitas sebesar 98,39%, Spesifisitas sebesar 96,77%, Precision sebesar 96,83%, Area Under the Curve (AUC) sebesar 97,6%, dan Accuracy sebesar 97,5%. Dengan hasil yang ditemukan, algoritma Random Forest telah terbukti efektif dalam mengembangkan model untuk membantu mengevaluasi risiko kambuhnya kanker tiroid pada pasien
Analisis Usability Menggunakan Metode Webuse Pada Website Mie Gacoan Faruqziddan, Muhammad; Aulia, Ewanda Herdika Septa; Azzahra, Salsabila Dini; Ningrum, Dea Yuliana Ayu; Kurnia, Ovelina Devi
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.v8i1.4913

Abstract

Mie Gacoan belakangan ini santer terdengar oleh masyarakat indonesia. Tidak hanya menawarkan aneka mie, Mie Gacoan juga menawarkan berbagai dimsum dan minuman yang tidak kalah menarik. Dengan semakin berkembang pesatnya bisnis mereka Mie Gacoan juga harus memiliki sistem pemasaran yang mendukung, salah satu cara strategis adalah menggunakan website. Kualitas website dapat dilihat dari tingkat usability website tersebut. Usability merupakan tingkat efektifitas, efisiensi serta kemudahan pengguna dalam menfaatkan suatu sistem. Untuk mengevaluasi tingkat usability sebuah website diperlukan metode pengukuran tertentu. Salah satu metode yang dapat digunakan adalah website usability evaluation tool (WEBUSE).Tujuan dari penelitian ini melakukan evaluasi website Mie Gacoan, dengan metode yang digunakan yaitu webuse. Setelah melakukan analisis webuse, website gacoan memiliki skor akhir 0.695 yaitu berkategori “Baik”. Skor ini menunjukkan bahwa website Mie Gacoan sudah cukup efektif dan efisien dalam mendukung kebutuhan pengguna. Temuan ini memberikan panduan bagi pengelola Mie Gacoan untuk meningkatkan kualitas website mereka lebih lanjut.
Perbandingan Skenario Balancing Oversampling dan Undersampling dalam Klasifikasi Resiko Kambuh Kanker Tiroid menggunakan Algoritma SVM Linear Budi Utomo, Prabowo; Faruqziddan, Muhammad; Herdika Septa Aulia, Ewanda; Dini Azzahra, Salsabilla
JAMI: Jurnal Ahli Muda Indonesia Vol. 5 No. 2 (2024): Desember 2024
Publisher : Akademi Komunitas Negeri Putra Sang Fajar Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46510/jami.v5i2.320

Abstract

Tujuan. Klasifikasi adalah proses penting dalam analisis data yang bertujuan untuk membagi objek ke dalam kategori tertentu berdasarkan karakteristik yang dimilikinya, namun salah satu tantangan utama dalam proses ini adalah ketika data yang digunakan tidak seimbang. Ketidakseimbangan dataset terjadi saat jumlah sampel dalam satu kelas jauh lebih besar dibandingkan kelas lainnya. Kondisi ini membuat model klasifikasi lebih cenderung mengenali kelas yang dominan, sementara kelas minoritas sering kali diabaikan, dalam dunia kesehatan, masalah ini menjadi sangat krusial karena akurasi prediksi bisa memengaruhi keputusan medis yang vital. Penelitian ini bertujuan untuk membandingkan tiga skenario dalam menangani ketidakseimbangan data pada klasifikasi risiko kambuhnya kanker tiroid menggunakan algoritma SVM Linear. Material dan Metode. Penelitian ini menggunakan pendekatan metodologi SEMMA dalam proses eksplorasi, transformasi, pemodelan, dan evaluasi data, yang selanjutnya dilakukan penyeimbangan data menggunakan tiga skenario yaitu non balance data, balance oversampling dan balance undersampling. Hasil setiap skenario penyeimbangan data akan diklasifikasi menggunakan algoritma SVM Linear untuk diperoleh nilai akurasi risiko kambuhnya kanker tiroid. Hasil. Hasil classification report menunjukkan bahwa model pada non-balanced data memiliki accuracy 88%, recall 85%, precision 86%, dan f1-score 86%, dengan performa yang dipengaruhi ketidakseimbangan data. Pada balanced data menggunakan oversampling SMOTE, semua metrik meningkat hingga 91%, menunjukkan bahwa oversampling efektif dalam menangani ketidakseimbangan. Sementara itu, balanced data dengan undersampling memberikan accuracy 89%, recall 88%, precision 89%, dan f1-score 88%, sedikit lebih rendah karena pengurangan data kelas mayoritas. Oversampling terbukti memberikan hasil terbaik dalam skenario ini Kesimpulan. Hasil penelitian ini juga menunjukkan bahwa skenario dengan oversampling menggunakan SMOTE memberikan performa terbaik dibandingkan dua pendekatan lainnya. Model skenario oversampling mencapai akurasi hingga 91%, dengan presisi, recall, dan F1-score yang juga berada di angka 91%. Sebaliknya, model pada skenario undersampling meskipun memberikan hasil yang lebih baik dibandingkan non-balanced data, menunjukkan penurunan performa dengan akurasi sebesar 89%
Co-Authors Aidina Ristyawan, Aidina Aulia, Ewanda Herdika Septa Azzahra, Salsabila Dini Dini Azzahra, Salsabilla Erna Daniati Herdika Septa Aulia, Ewanda Kurnia, Ovelina Devi Ningrum, Dea Yuliana Ayu Prabowo Budi Utomo