Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Manajemen Industri Terapan Gudang Jurnal Multidisiplin Ilmu
Ammar Farisi
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 Engineering Industrial & Manufacturing Engineering Public Health Social Sciences Other

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

Found 2 Documents
Search

 1 
Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM) Ammar Farisi; Ahmad Homaidi; Hermanto
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 4 No. 3 (2025): Jurnal Teknologi dan Manajemen Industri Terapan (in press)
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v4i3.786

Abstract

Penelitian ini mengembangkan model klasifikasi penyakit diabetes menggunakan algoritma Support Vector Machine (SVM) yang diintegrasikan ke dalam aplikasi web berbasis Streamlit. Dataset yang digunakan adalah Pima Indians Diabetes dari Kaggle, terdiri dari 768 data pasien dengan atribut seperti jumlah kehamilan, kadar glukosa, tekanan darah, insulin, indeks massa tubuh (BMI), dan faktor risiko lainnya. Metodologi yang digunakan mengikuti tahapan Knowledge Discovery in Databases (KDD) meliputi pemahaman masalah, pengumpulan data, preprocessing, transformasi fitur, pemodelan, evaluasi, dan implementasi sistem. SVM dengan kernel linear dipilih karena performa yang efisien dan stabil, terutama untuk dataset berdimensi tinggi. Data dianalisis menggunakan metrik akurasi, presisi, recall, dan F1-score, dengan hasil evaluasi menunjukkan akurasi sebesar 82,4%, presisi 79,6%, recall 76,1%, dan F1-score 77,8%. Hasil ini menunjukkan bahwa model SVM dapat melakukan klasifikasi risiko diabetes secara efektif dan seimbang. Selain itu, sistem ini diimplementasikan ke dalam aplikasi yang memungkinkan pengguna melakukan prediksi mandiri terhadap risiko diabetes secara cepat dan mudah diakses, tanpa perlu datang ke fasilitas kesehatan. Temuan ini memberikan kontribusi penting dalam pemanfaatan machine learning untuk mendukung deteksi dini penyakit kronis berbasis data medis, khususnya di Indonesia, di mana akses terhadap layanan kesehatan masih terbatas bagi sebagian masyarakat. Dengan antarmuka yang sederhana dan berbasis web, aplikasi ini diharapkan dapat mendorong kesadaran masyarakat untuk memantau kesehatan secara proaktif.
Implementasi Data Mining Untuk Menentukan Persediaan Stok Barang Menggunakan Metode K-Means Clustering Ammar Farisi; Zaehol Fatah
Gudang Jurnal Multidisiplin Ilmu Vol. 2 No. 11 (2024): GJMI - NOVEMBER
Publisher : PT. Gudang Pustaka Cendekia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59435/gjmi.v2i11.1059

Abstract

Data mining membantu bisnis membuat produksi yang menguntungkan dan penyesuaian operasional. Pengelolaan persediaan stok barang merupakan aspek krusial dalam manajemen bisnis ritel modern yang memerlukan pendekatan analitis untuk optimalisasi. Data Mining dengan metode K-Means Clustering mampu menganalisis dan mengelompokkan pola persediaan stok barang. Tahapan yang dilakukan pra-pemrosesan data, implementasi K-Means Clustering, dan evaluasi model menggunakan metrik Sum of Squared Errors (SSE) dan Silhouette Score. Hasil analisis menggunakan metode Elbow menunjukkan tiga cluster optimal dengan nilai SSE final 51.69, menandakan kohesi internal yang baik. Evaluasi menggunakan Silhouette Score menghasilkan nilai 0.498, mengindikasikan keseimbangan yang baik antara kohesi dan separasi cluster. Hasil clustering mengidentifikasi tiga pola distinct dalam persediaan stok: Cluster 0 mendominasi periode akhir tahun dengan rentang stok 780-840 unit, Cluster 1 terkonsentrasi pada awal tahun dengan rentang 840-920 unit, dan Cluster 2 sebagai cluster transisi pada pertengahan tahun dengan rentang 840- 880 unit. Visualisasi temporal menunjukkan pola seasonal yang jelas dalam pengelolaan persediaan sepanjang tahun. Implementasi K-Means Clustering berhasil menghasilkan pengelompokan yang bermakna dan dapat diinterpretasikan dalam konteks manajemen inventori.
Co-Authors Ahmad Homaidi Hermanto Zaehol Fatah