Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal Journal of Informatics and Advanced Computing
Iman Paryudi
Unknown Affiliation
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Penggunaan Algoritma K-Means Pada Metode Clustering Untuk Menganalisa Tindak Kriminal Imam Zuhdi Muzakkiy; Khoirul Husein; Kelfin Antonius; Kevin Raihan Hidayat; El Emir Di Haryanto; Iman Paryudi
Journal of Informatics and Advanced Computing (JIAC) Vol 4 No 1 (2023): Journal of Informatics and Advanced Computing (JIAC)
Publisher : Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/jiac.v4i1.5486

Abstract

Kriminalitas adalah bentuk tindakan yang merugikan secara ekonomis maupun psikologis dan melanggar hukum yang berlaku di suatu negara. Dapat diartikan juga, tindakan kriminalitas adalah segala sesuatu yang melanggar norma-norma sosial, sehingga terdapat pertentangan dari masyarakat. Studi ini bertujuan untuk mengetahui tingkat kriminalitas pada suatu daerah menggunakan metode K-Means clustering dengan menggunakan perangkat lunak Orange Data Mining Tool. Dengan dibuatnya sistem ini, diharapkan dapat membantu aparat keamanan setempat dalam menentukan daerah rawan kriminal dan meningkatkan keamanan pada daerah rawan tersebut agar dapat mencegah dan mengurangi dampak serta akibat tindakan kriminal. Dan dari hasil studi yang dilakukan, akan menghasilkan pengelompokan daerah rawan kriminal.
Perbandingan Metode Decision Tree, Naive Bayes, dan Induction Rule untuk Klasifikasi Penyakit Diabetes Dwy Laila Safitry; Anisa Al Harani; Erin Divayaning; Faiqa Hadya Hanifa; Dheva Fauzia Chema; Iman Paryudi
Journal of Informatics and Advanced Computing (JIAC) Vol 4 No 1 (2023): Journal of Informatics and Advanced Computing (JIAC)
Publisher : Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/jiac.v4i1.5488

Abstract

Teknik klasifikasi digunakan untuk memprediksi suatu nilai dari target variabel kategori. Metode klasifikasi menggunakan algoritma Decision Tree, Naive Bayes, dan Induction Rule. Decision Tree merupakan model prediksi menggunakan struktur pohon keputusan yang mengubah data dari proses pengambilan keputusan yang kompleks menjadi lebih sederhana sehingga memudahkan interpretasi informasi, pengambilan solusi, menemukan hubungan, dan identifikasi pola antara faktor-faktor yang mempengaruhi. Naive Bayes digunakan untuk mencari probabilitas dalam suatu class. Induction Rule bertujuan untuk mencari pola yang sering muncul diantara banyak transaksi dan akan menginduksi aturan yang kompleks. Metode-metode ini dapat digunakan sebagai acuan untuk mendiagnosa suatu jenis penyakit. Metode yang terbaik didapatkan dari penggunaan beberapa metode teknik klasifikasi. Penelitian ini mengimplementasikan konsep dan ilmu data mining tersebut dalam bidang kesehatan. Menggunakan dataset diagnosa penyakit diabetes yang diperoleh dari situs kaggle. Metode pemodelan dilakukan menggunakan Decision Tree, Naïve Bayes, dan Induction Rule melalui aplikasi Orange. Pemodelan diuji menggunakan Confusion Matrix dan Cross Validation untuk menunjukkan perbandingan dari ketiga metode klasifikasi yang diterapkan. Proses pengujian mengevaluasi kinerja pemodelan yang digunakan untuk memperoleh model dengan hasil akurasi yang maksimal. Penelitian ini membahas perbandingan akurasi dari penggunaan ketiga metode tersebut dan menghasilkan sepuluh aturan yang diketahui paling mempengaruhi hasil outcome diagnosa penyakit diabetes dari metode yang didapat paling baik dan efektif dalam proses klasifikasi.
Analisis Gambar MRI Otak Untuk Mendeteksi Tumor Otak Menggunakan Algoritma CNN: Analisis Gambar MRI Otak Untuk Mendeteksi Tumor Otak Menggunakan Algoritma CNN Valliant Benvenuto Gianzurriell; Husnal, Ferdi; Fiky Ari Wijaya; Fahmi Fauzi; Iman Paryudi; Ionia Veritawati; Sri Rezeki Candra Nursari
Journal of Informatics and Advanced Computing (JIAC) Vol 4 No 2 (2023): Journal of Informatics and Advanced Computing (JIAC)
Publisher : Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/jiac.v4i2.6289

Abstract

Brain tumor disease is one of the deadliest diseases that can attack anyone without exception. This disease is characterized by the development of abnormal cells in human brain tissue is a sign of this disease. A digital image technology called Magnetic Resonance Imaging (MRI) can be used to detect these brain tumors. This technology is meant to help doctors identify and classify different types of brain tumors. An effective and accurate method is needed to perform MRI image classification as manual classification takes a long time and carries a high risk. One effective solution to this problem is Convolutional Neural Network (CNN). CNN is an algorithm that can learn itself from previous cases. The deep learning method, CNN with the VGG16 model, can be implemented as a solution to the problem. The process of making this system with the stages of making Image Detection, namely image acquisition, preprocessing, extraction, classification, and identification of image data. This study uses 3 datasets where each dataset has 1311 images of patient MRI results. The dataset is separated into 3 different data, namely train data, validation data, and test data. The results of testing these three datasets are able to identify the images tested into the system with a percentage accuracy of 99%.
Strategi Pengolahan Stok Berbasis Analisis Cluster Kepopuleran Produk Fahrian, Anjar; Muhammad Naufal Fauzi; Shabrina Putri Ramadhani; Iman Paryudi
Journal of Informatics and Advanced Computing (JIAC) Vol 5 No 1 (2024): Journal of Informatics and Advanced Computing (JIAC)
Publisher : Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/jiac.v5i1.8213

Abstract

Improving customer service in terms of stock availability remains a challenge. Supermarkets often face issues such as stock shortages and overstocking, leading to customer dissatisfaction. To address these challenges, research was conducted on stock management based on cluster analysis of product popularity, aiming to optimize marketing strategies related to product availability. This study employed the K-means clustering algorithm using Google Colaboratory tools. The clustering results revealed that Cluster 1 represents popular products, characterized by a higher average number of products sold and relatively higher customer satisfaction levels compared to Clusters 0 and 2. Cluster 0 represents moderately popular products, while Cluster 2 encompasses less popular products. Based on the visualization, it was observed that product popularity in each city varies: electronic products are most popular in Mandalay and Naypyidaw, while health and beauty products are less popular or fall under Cluster 2 in Naypyidaw. However, health and beauty products are highly popular and record the highest sales in Yangon.
Co-Authors Anisa Al Harani Dheva Fauzia Chema Dwy Laila Safitry El Emir Di Haryanto Erin Divayaning Fahmi Fauzi Fahrian, Anjar Faiqa Hadya Hanifa Fiky Ari Wijaya Husnal, Ferdi Imam Zuhdi Muzakkiy Ionia Veritawati Kelfin Antonius Kevin Raihan Hidayat Khoirul Husein Muhammad Naufal Fauzi Shabrina Putri Ramadhani Valliant Benvenuto Gianzurriell