Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Tekno : Jurnal Teknologi Elektro dan Kejuruan JTAM (Jurnal Teori dan Aplikasi Matematika)
Fadhlullah, Aufar Faiq
Unknown Affiliation
Engineering Mathematics

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

Found 2 Documents
Search

 1 
KLASIFIKASI PENYAKIT TUMOR OTAK MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS GLCM Kirana, Kartika Candra; Nidhom, Ahmad Mursyidun; Fadhlullah, Aufar Faiq; Siregar, Galih Carlos Putra; Begananda, Hilham Bagus
TEKNO: Jurnal Teknologi Elektro dan Kejuruan Vol 33, No 1 (2023)
Publisher : Universitas Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17977/um034v33i1p1-14

Abstract

Diagnosis tumor otak dilakukan melalui tes dan prosedur medis seperti pemeriksaan fisik, MRI atau CT scan, dan biopsi. Segmentasi citra tumor otak dapat memberikan informasi penting bagi dokter dalam merencanakan perawatan dan mengevaluasi tindak lanjut yang dapat dilakukan dalam penanganan pasien tumor otak. Dibutuhkan biaya yang besar dalam diagnosa tumor otak menggunakan MRI. Sistem yang dapat secara otomatis mendeteksi tumor otak diharapkan dapat mengurangi biaya diagnosa. Pada penelitian ini, diusulkan metode ekstraksi fitur GLCM yang dikombinasi dengan metode klasifikasi K-NN untuk mengklasifikasikan MRI otak tumor dan otak sehat. Kontribusi penelitian ini adalah mengevaluasi jumlah iterasi terbaik pada arsitektur yang diusulkan pada big data. Pada fase pertama dilakukan pra- pemrosesan citra. Pra-pemrosesan yang diusulkan terdiri dari: (1) normalisasi ukuran (resize), (2) mengubah ke bentuk keabuan (grayscale), menghilangkan/mengurangi derau (noise removal) menggunakan median filter, dan (4) mempertajam kualitas citra (image sharpening). Pada fase kedua, segmentasi citra dilakukan untuk mengambil foreground. Region of interest diperoleh menggunakan segmentasi Otsu Thresholding. Pada fase ketiga GLCM diekstraksi sebagai fitur utama. Pada fase keempat, klasifikasi dikelola menggunakan algoritma K-Nearest Neighbor (KNN). Performa sistem diuji coba kepada 1150 citra pada dataset Kaggle ‘Preet Viradiya’. Hasil uji coba menunjukkan tingkat akurasi terbaik mencapai 81% dengan k terbaik sebanyak 3. Penelitian ini dapat disimpulkan bahwa usulan arsitektur penggunaan GLCM dan KNN memiliki performa yang unggul.
Comparative Analysis of Decision Tree and Random Forest Algorithms for Diabetes Prediction Fadhlullah, Aufar Faiq; Widiyaningtyas, Triyanna
JTAM (Jurnal Teori dan Aplikasi Matematika) Vol 8, No 4 (2024): October
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jtam.v8i4.24388

Abstract

Diabetes Mellitus is a long-term medical disorder marked by high blood glucose levels that raise the risk of early mortality and organ failure. It has become an increasing global health problem, so making an accurate and timely diagnosis is urgently necessary. This study aims to diagnose people with diabetes mellitus by utilizing prediction techniques in data mining using experimental research. The prediction stage for diagnosing diabetes consists of four stages: dataset collection, data pre-processing, data processing, and evaluation. Data was obtained from Electronic Health Records (EHRs), namely the public "Diabetes Prediction Dataset". The pre-processing stage involves data filtering, attribute conversion, and class selection. The data processing utilizes random forests and decision tree models for diabetes prediction. The models were evaluated using accuracy, precision, and recall metrics. The results showed that the Random Forest algorithm produced an accuracy value of 93.97%, precision of 99.88%, and recall of 66.56%, with a computational time of 16s. Meanwhile, the decision tree algorithm produces an accuracy value of 93.89%, precision of 98.73%, and recall of 66.88%, with a computation time of less than 1s. Based on these results, it can be concluded that the Decision Tree algorithm is more effective because the difference in accuracy, precision, and recall values produced by the two algorithms does not have significant differences. However, the Decision Tree algorithm has the advantage of using computational time more effectively, which is needed in detecting diabetes because it is related to someone's life. 
Co-Authors Begananda, Hilham Bagus Kartika Candra Kirana Nidhom, Ahmad Mursyidun Siregar, Galih Carlos Putra Triyanna Widiyaningtyas