Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Arisani, Muhammad Irfan
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Peningkatan Kinerja K-Nearest Neighbor menggunakan Bagging pada Permasalahan Ragam Kelas terhadap Pemeliharaan Prediktif Permesinan Arisani, Muhammad Irfan; Muljono, Muljono
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 2 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i2.78503

Abstract

Dalam beberapa dekade terakhir, aplikasi pembelajaran mesin menjadi sangat diminati dalam menyelesaikan permasalahan tertentu. Bidang ini memberikan andil dalam menawarkan solusi terhadap banyak disiplin ilmu yang berkaitan dengan masalah klasifikasi atau prediksi. Salah satu dari sekian banyaknya algoritma pembelajaran mesin, K-nearest Neighbor masih menjadi algoritma favorit yang relevan untuk saat ini. Banyak dari penelitian terdahulu berlomba-lomba untuk mengoptimalkan algoritma KNN dan studi ini juga terinspirasi akan hal itu. Sehingga, studi ini akan berfokus pada upaya peningkatan algoritma KNN dalam penyelesaian permasalahan ragam kelas pada dataset. Lebih lanjut, adopsi metode bagging akan dipadukan dengan algoritma terkait dalam membantu mengklasifikasikan ragam tipe kerusakan mesin pada dataset permesinan. Adapun sebelum proses pemodelan berlanjut, metode yang diusulkan juga menerapkan beberapa metode klasik terlebih dahulu layaknya normalisasi dan tuning grid-search. Selanjutnya, studi ini juga akan menyajikan tentang perbandingan model dengan atau tanpa metode bagging, akurasi, precision, dan recall sebagai bagian dari matriks evaluasi. Hasil akhir eksperimen akan disajikan melalui beberapa matriks dengan menunjukkan akurasi sebesar 95.68%, rata-rata makro precision sebesar 96.28%, dan rata-rata makro recall sebesar 94.07%.
Bagging Nearest Neighbor and its Enhancement for Machinery Predictive Maintenance Arisani, Muhammad Irfan; Muljono, Muljono
Journal of Applied Informatics and Computing Vol. 8 No. 2 (2024): December 2024
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v8i2.8158

Abstract

K-nearest Neighbor is a simple algorithm in Machine learning for such a prediction classification task which plays in valuable aspects of understanding big data. However, this algorithm sometimes does a lacking job of classification tasks for many different dataset characteristics. Therefore, this study will adopt enhancement methods to create a better performance of the nearest-neighbor model. Thus, this study focused on nearest neighbor enhancement to do a binary classification task from the extremely unbalanced dataset of a machine failure problem. Firstly, this study will create new features from the machinery dataset through the feature engineering processes and transform the chosen numerical features with standardization steps as the proper scaling. Then, the modified under-sampling method will be given which will reduce the amount of the majority class to 4.75 times that of the minority class. Next is the applied grid-search tuning which will find the right parameter combinations for the nearest-neighbor model being applied. Furthermore, the previous pre-processing steps will be combined with an additional bagging method. Finally, the resulting bagged KNN will present a 0.971 rate of accuracy, 0.555 rate of precision, 0.781 rate of recall, 0.649 rate of f1-score, 0.95 auc of ROC curve, and 0.702 auc of precision-recall curve.
Co-Authors Muljono Muljono