Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal UPGRADE: Jurnal Pendidikan Teknologi Informasi
Zulhan, Dicky
Unknown Affiliation
Computer Science & IT Education Other

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

Found 3 Documents
Search

 1 
Algoritma Synthetic Minority Oversampling Technique dan C5.0 dalam Mengatasi Ketidakseimbangan Data pada Klasifikasi Kelulusan Siswa Aprihartha, Moch Anjas; Putrawan, Zulhandi; Zulhan, Dicky; Nurfaizal, Fatma Ahardika
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 2 No 1 (2024): Vol. 2 No. 1 Agustus 2024
Publisher : Pendidikan Teknologi Informasi Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v2i1.4148

Abstract

Algoritma supervised learning digunakan untuk memprediksi dan mengklasifikasikan atribut tertentu, namun masalah utama adalah distribusi data yang tidak merata antar kelas yang dapat menyebabkan overfitting. Untuk mengatasi ini, diperlukan augmentasi kelas minoritas menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Tujuan penelitian ini memberikan solusi praktis untuk mengatasi ketidakseimbangan data dengan SMOTE pada kasus siswa yang tidak lulus semua mata pelajaran, guna mengurangi risiko overfitting. Metode penelitian ini adalah penelitian eksperimental dengan pendekatan kuantitatif menggunakan data sekunder dari kelulusan mata pelajaran siswa. Teknik analisis data hasil SMOTE diuji dengan algoritma C5.0, dan variasi state 1 hingga 100 digunakan untuk memastikan pemilihan data training dan testing secara acak di setiap iterasi. Hasil penelitian menunjukkan bahwa uji data asli dengan algoritma C5.0 menghasilkan plot akurasi, recall, dan spesifisitas yang tidak konsisten, sedangkan uji data yang diolah dengan SMOTE menunjukkan plot yang stabil mendekati 100%. Artinya, data SMOTE memberikan performa yang lebih baik pada algoritma C5.0 dibandingkan data asli. Efektivitas teknik SMOTE dan algoritma C5.0 dapat berkontribusi bagi peneliti yang menghadapi masalah serupa. Implikasi hasil penelitian ini juga dapat dijadikan acuan dalam membuat aplikasi untuk mendeteksi kelulusan siswa guna mempermudah guru dalam mengambil keputusan.
Algoritma Synthetic Minority Oversampling Technique dan C5.0 dalam Mengatasi Ketidakseimbangan Data pada Klasifikasi Kelulusan Siswa Aprihartha, Moch Anjas; Putrawan, Zulhandi; Zulhan, Dicky; Nurfaizal, Fatma Ahardika
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 2 No 1 (2024): Vol. 2 No. 1 Agustus 2024
Publisher : Pendidikan Teknologi Informasi Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v2i1.4148

Abstract

Algoritma supervised learning digunakan untuk memprediksi dan mengklasifikasikan atribut tertentu, namun masalah utama adalah distribusi data yang tidak merata antar kelas yang dapat menyebabkan overfitting. Untuk mengatasi ini, diperlukan augmentasi kelas minoritas menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Tujuan penelitian ini memberikan solusi praktis untuk mengatasi ketidakseimbangan data dengan SMOTE pada kasus siswa yang tidak lulus semua mata pelajaran, guna mengurangi risiko overfitting. Metode penelitian ini adalah penelitian eksperimental dengan pendekatan kuantitatif menggunakan data sekunder dari kelulusan mata pelajaran siswa. Teknik analisis data hasil SMOTE diuji dengan algoritma C5.0, dan variasi state 1 hingga 100 digunakan untuk memastikan pemilihan data training dan testing secara acak di setiap iterasi. Hasil penelitian menunjukkan bahwa uji data asli dengan algoritma C5.0 menghasilkan plot akurasi, recall, dan spesifisitas yang tidak konsisten, sedangkan uji data yang diolah dengan SMOTE menunjukkan plot yang stabil mendekati 100%. Artinya, data SMOTE memberikan performa yang lebih baik pada algoritma C5.0 dibandingkan data asli. Efektivitas teknik SMOTE dan algoritma C5.0 dapat berkontribusi bagi peneliti yang menghadapi masalah serupa. Implikasi hasil penelitian ini juga dapat dijadikan acuan dalam membuat aplikasi untuk mendeteksi kelulusan siswa guna mempermudah guru dalam mengambil keputusan.
Algoritma Klasifikasi Naive Bayes dalam Identifikasi Pasien Demam Berdarah Dangue (DBD) Aprihartha, Moch Anjas; Aprihartha, Moch. Anjas; Putrawan, Zulhandi; Zulhan, Dicky
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 3 No 1 (2025)
Publisher : Pendidikan Teknologi Informasi Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v3i1.5457

Abstract

Dengue fever (DF) is an illness caused by the Dengue virus, transmitted to humans through the bite of female Aedes aegypti mosquitoes, and the rise in DF cases often leads to a surge in hospital visits that can result in shortages of beds and medical personnel. In severe conditions, patients require treatment from health professionals experienced in managing this disease, and with advancements in scientific methods, classification techniques have become essential in identifying the severity level of DF patients to determine immediate and necessary treatment. This study aims to classify DF patients who require inpatient care by applying the Naive Bayes method to 230 observation records obtained from medical data of DF patients at Anwar Makkatutu Hospital in Bantaeng Regency during the 2019–2020 period, with model performance evaluated using a confusion matrix. The findings show that the Naive Bayes algorithm demonstrates fairly good performance in identifying patients who need hospitalization and those who do not, indicated by its AUC, accuracy, sensitivity, and specificity values of 0.702, 70.11%, 59.09%, and 81.40%, respectively. These results support more efficient allocation of limited healthcare resources and offer practical implications for clustering DF patients who require medical attention, enabling health authorities to improve planning, prepare adequate medical facilities, and optimize treatment readiness, while also contributing valuable insights to the scientific literature on related topics.
Co-Authors Moch Anjas Aprihartha Nurfaizal, Fatma Ahardika Putrawan, Zulhandi