Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Pengabdian Masyarakat IPTEK Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
Br Tarigan, Yuni Franciska
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
Implementasi Algoritma Hopfield Discreate dalam Rekognisi Aksara Batak Toba Br Tarigan, Yuni Franciska; Gultom, Karyawaty; Mandasari, Sartika; Riandini, Meisarah
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 3 No. 6 (2024): Edisi November 2024
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v3i6.10558

Abstract

Aksara Batak Toba merupakan salah satu aksara tulisan di Indonesia dari salah satu budaya yang ada. Aksara batak toba ini menjadi salah satu di antara aksara batak yang ada yang memiliki ciri khas tertentu. Disamping itu karena ini merupakan salah satu peninggalan budaya, sebagai warga negara yang baik tentunya harus menjaga agar aksara batak toba ini tetap eksis. Jaringan syaraf tiruan merupakan salah satu cabang ilmu kecerdasan buatan yang berkembang. Di dalam jaringan syaraf tiruan terdapat berbagai metode yang dapat di adopsi atau dikembangkan diantaranya metode Hopfield. Metode ini memiliki tingkat akurasi yang cukup baik di dalam pengenalan pola-pola atau data yang terstruktur. Pada penelitian ini akan dilakukan sebuah rekognisi aksara batak toba berdimensi 30x30 piksel dengan citra gambar .png. Berdasarkan hasil ujicoba terhadap pola aksara toba diketahui bahwa metode hopfield dapat mengenali pola lebih baik dan lebih cepat dengan rata-rata waktu pengenalan 0,9792 detik. Sedangkan untuk ketepatan metode Hopfield 90% dapat mengenali poa Aksara Batak Toba.
TGD Technology Workshop Pemanfaatan Teknologi IoT Untuk Kehidupan Sehari-har Br Tarigan, Yuni Franciska; Pane, Usti Fatimah Sari Sitorus; Syahputri, Astri; Yetri, Milfa; Anwar, Badrul
Jurnal Pengabdian Masyarakat IPTEK Vol. 5 No. 1 (2025): Edisi Januari 2025
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/abdi.v5i1.10591

Abstract

Internet of Things atau IoT yang merupakan konsep terbaru dari penerapan ilmu komputer dan jaringan menjadi salah satu wawasan yang dapat disampaikan kepada mahasiswa pada saat ini. Dimana IoT menjadi satu contoh kombinasi penerapan ilmu komputer, jaringan dan analisa kecerdasan buatan dalam satu konsep implementasi. Penerapan IoT pada sistem kendali cerdas dan monitoring sederhana, hingga penerapan IoT pada pemrograman bersekala besar. Namun pemahaman terkait IoT masih dianggap awam bagi siswa menengah atas saat ini. Hal ini akan berdampak kurang baik bagi integritas sekolah menengah atas saat ini. Kondisi tersebut menjadi salah satu alasan diadakannya kegiatan workshop dan edukasi dalam pemahaman pengembangan teknologi yang cukup menjanjikan bagi siswa/siswi yang ada di SMA Plus Jabal Rahma Mulia sebagai workshop edukasi, kegiatan juga dibekali informasi terkait salah satu program studi yang dianggap mampu memberikan peluang bagi siswa/i untuk melanjutkan pendidikan di perguran tinggi. Oleh karena itu, Akademi Manajemen Informatika dan Komputer Polibisnis berkolaborasi dengan STMIK Triguna Dharma dalam hal ini melalui Civitas akademik dan kemahasiswaa yakni dosen dan mahasiswa menyelenggarakan kegiatan pengabdian masyarakat dan bekerja sama dengan sekolah SMA Plus Jabal Rahma Mulia dalam mengedukasi siswa/i agar lebih termotivasi dalam proses belajar.
Early Detection of Diabetes Using a Machine Learning Model Based on Laboratory Data Hakim, Arief Rahman; Br Tarigan, Yuni Franciska; Margolang, Khairul Fadhli
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 10, No 1 (2025): Vol 10, No 1 (2025) : InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v10i1.12810

Abstract

Diabetes mellitus is a chronic disease whose prevalence continues to increase worldwide, with a projected number of sufferers reaching 643 million by 2030. Early detection of diabetes is crucial to prevent serious complications such as cardiovascular disease, kidney failure, and nerve damage. This study aims to compare the performance of four machine learning algorithms (Random Forest, Support Vector Machine, Logistic Regression, and K-Nearest Neighbors) in detecting diabetes based on clinical parameters, and to identify the most significant predictor variables. The study uses the Pima Indians Diabetes dataset consisting of 768 samples with 8 predictor variables (number of pregnancies, glucose, blood pressure, skin thickness, insulin, BMI, diabetes pedigree function, and age). Data is divided into a training set (70%) and a testing set (30%) using stratified sampling. Data preprocessing includes handling missing values, feature scaling using StandardScaler, and handling imbalanced data using the SMOTE technique. Performance evaluation uses accuracy, precision, recall, F1-score, and Area Under Curve (AUC-ROC) metrics. Results show that the Random Forest model achieves the best performance with an accuracy of 81.8%, precision of 79.2%, recall of 78.5%, F1-score of 78.8%, and AUC of 0.88. Support Vector Machine achieves an accuracy of 78.0%, Logistic Regression 76.0%, and K-Nearest Neighbors 74.5%. Feature importance analysis identifies glucose (28.5%), BMI (19.8%), and age (16.5%) as the most significant predictors in diabetes detection. The Random Forest model produces 17 false negatives and 12 false positives from 231 testing samples. The study concludes that Random Forest is the most effective algorithm for early diabetes detection with good accuracy and superior interpretability through feature importance.
Co-Authors Anwar, Badrul Arief Rahman Hakim Gultom, Karyawaty Mandasari, Sartika Margolang, Khairul Fadhli Pane, Usti Fatimah Sari Sitorus Riandini, Meisarah Syahputri, Astri Yetri, Milfa