Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Journal of Students‘ Research in Computer Science (JSRCS) Gudang Jurnal Multidisiplin Ilmu
Abrori, Syariful
Unknown Affiliation
Religion Aerospace Engineering Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Public Health Social Sciences Other

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

Found 3 Documents
Search

 1 
Implementasi Metode Decission Tree Dalam Mengklasifikasi Depresi Menggunakan Rapidminer Abrori, Syariful; Fatah, Zaehol
Journal of Students‘ Research in Computer Science Vol. 5 No. 2 (2024): November 2024
Publisher : Program Studi Informatika Fakultas Ilmu Komputer Universitas Bhayangkara Jakarta Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31599/vgf7xb32

Abstract

Depression has become a serious mental health problem with a significant impact on quality of life and work productivity. This study aims to develop a depression classification model using the Decision Tree method implemented through RapidMiner software. The dataset consists of 2054 data with 11 variables covering demographic aspects, working conditions, and mental health. Data preprocessing is carried out through several stages, including data format conversion, categorical variable transformation using Nominal to Binominal, and numeric data normalization with Z-transformation. Implementing the Decision Tree uses the gain ratio parameter as the criterion, maximum depth 10, and confidence 0.1, and activates the pruning and prepruning features for model optimization. The results showed excellent performance with an accuracy of 97.50%, a weighted mean recall of 92.29%, and a weighted mean precision of 93.49%. The confusion matrix shows that the model successfully identified 1463 non-depression cases and 139 depression cases correctly, with a low misclassification rate.
Analisis Perancangan Sistem Informasi Absensi Guru Berbasis Website Menggunakana QR Code Di MA Ibrahimy Secang Kalipuro Banyuwangi Abrori, Syariful; Abdus Samad
Gudang Jurnal Multidisiplin Ilmu Vol. 2 No. 10 (2024): GJMI - OKTOBER
Publisher : PT. Gudang Pustaka Cendekia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59435/gjmi.v2i10.1006

Abstract

Penelitian ini bertujuan untuk merancang sistem informasi absensi guru berbasis website menggunakan QR Code di MA Ibrahimy Secang Kalipuro Banyuwangi. Sistem ini dirancang untuk mengatasi permasalahan pencatatan kehadiran guru yang masih dilakukan secara manual, yang rentan terhadap kesalahan dan manipulasi data. Metode penelitian yang digunakan meliputi observasi lapangan, wawancara, dan studi literatur. Perancangan sistem menggunakan pendekatan System Development Life Cycle (SDLC) dengan model waterfall. Sistem dirancang menggunakan diagram UML seperti use case dan activity diagram, serta perancangan database menggunakan Entity Relationship Diagram (ERD). Hasil penelitian menunjukkan bahwa sistem informasi absensi guru yang dirancang berhasil mengintegrasikan teknologi QR Code dengan platform berbasis website, menciptakan solusi yang inovatif dan efisien. Sistem ini menawarkan sejumlah keunggulan signifikan, termasuk proses absensi yang cepat dan akurat, peningkatan keamanan melalui penggunaan QR Code unik untuk setiap guru, serta fleksibilitas dan aksesibilitas tinggi bagi administrator sekolah. Fitur integrasi data absensi dengan jadwal pelajaran memungkinkan pemantauan yang lebih terperinci terhadap kehadiran guru, memberikan gambaran yang lebih akurat tentang pelaksanaan proses belajar mengajar di madrasah.
Implementasi Metode CNN Untuk Klasifikasi Status Stunting Pada Balita Abrori, Syariful; Zaehol Fatah
Gudang Jurnal Multidisiplin Ilmu Vol. 2 No. 10 (2024): GJMI - OKTOBER
Publisher : PT. Gudang Pustaka Cendekia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59435/gjmi.v2i10.1022

Abstract

Stunting pada balita merupakan permasalahan kesehatan masyarakat yang serius dan memerlukan penanganan segera melalui deteksi dini yang akurat. CNN (Convolutional Neural Network) merupakan metode yang akurat, efektif dan tepat sasaran dalam memberikan hasil yang akurat dan presisi. Implementasi metode CNN dapat mengklasifikasikan status stunting pada balita berdasarkan parameter antropometri dan karakteristik kesehatan. Dataset yang digunakan terdiri dari 6.500 sampel data balita dengan 8 variabel meliputi jenis kelamin, usia, berat lahir, panjang lahir, berat badan, panjang badan, riwayat ASI eksklusif, dan status stunting. Metodologi yang digunakan melibatkan serangkaian tahapan preprocessing data termasuk standardisasi fitur menggunakan StandardScaler, pemisahan data training (80%) dan testing (20%), serta penggunaan arsitektur CNN yang terdiri dari layer konvolusi 1D dengan 32 filter, max pooling, dan dense layer. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy selama 10 epoch dan batch size 32. Evaluasi performa model dilakukan menggunakan berbagai metrik termasuk accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mencapai performa yang sangat baik dengan akurasi 90%, precision 89%, recall 92%, dan F1-score 91%. Analisis confusion matrix mengkonfirmasi kemampuan model dalam mengklasifikasikan kedua kelas yaitu pada stunting dan non-stunting secara seimbang. Temuan ini mengindikasikan bahwa implementasi CNN efektif dalam mengidentifikasi status stunting pada balita dan berpotensi menjadi alat bantu yang berharga dalam screening stunting di fasilitas kesehatan.
Co-Authors ABDUS SAMAD Fatah, Zaehol Zaehol Fatah