Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JATI (Jurnal Mahasiswa Teknik Informatika)
Naufaldihanif, Rihan
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
PENILAIAN KOMPARATIF METODE KLASIFIKASI NEURAL NETWORK DAN RANDOM FOREST UNTUK KNOWLEDGE DISCOVERY PADA PENYAKIT DIABETES Aqil Zidane, Muhammad; Naufaldihanif, Rihan; Nuraini Kusuma, Aisha; Hanggara, Bryan; Clark Peter Wijaya, Adley; Ditha Tania, Ken; Kurnia Sari, Winda
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13828

Abstract

Penelitian ini membahas penerapan data mining dalam prediksi diabetes, yang menjadi isu penting dalam bidang kesehatan dan teknologi informasi. Permasalahan utama yang diangkat adalah tingginya angka penderita diabetes yang sering terlambat terdiagnosis, yang berdampak pada meningkatnya risiko komplikasi serius dan biaya perawatan yang tinggi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi diabetes yang lebih akurat menggunakan teknik data mining. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan teknik pengumpulan data melalui analisis dataset diabetes menggunakan algoritma klasifikasi seperti Random Forest, dan Neural Network. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki tingkat akurasi tertinggi sebesar 96,88% dibandingkan metode Neural Network dengan akurasi sebesar 89,23%, yang mengindikasikan bahwa metode Random Forest ini efektif dalam mendeteksi potensi pre-diabetes lebih dini. Kesimpulan dari penelitian ini menegaskan bahwa pemanfaatan data mining dapat meningkatkan akurasi prediksi pre-diabetes serta memberikan rekomendasi bagi tenaga medis dalam pengambilan keputusan diagnostik.
KLASIFIKASI KONDISI KEBERSIHAN SUNGAI DARI CITRA DIGITAL MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ALGORITMA INCEPTION V3 DAN XCEPTION Prasetia, Dika Prasetia; Hanggara, Bryan; Naufaldihanif, Rihan; Clark Peter Wijaya, Adley; Fathoni, Fathoni; Ibrahim, Ali
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.14123

Abstract

Peningkatan pencemaran sungai menjadi isu lingkungan yang semakin mendesak untuk ditangani melalui metode pemantauan yang efisien. Namun, pemantauan manual terhadap kualitas sungai masih memiliki keterbatasan dari segi waktu dan sumber daya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kondisi sungai menggunakan citra visual dengan pendekatan deep learning berbasis transfer learning. Dua arsitektur Convolutional Neural Network (CNN), yaitu Xception dan InceptionV3, digunakan sebagai model utama dengan teknik fine-tuning agar dapat membedakan antara sungai bersih dan sungai tercemar. Dataset citra diperoleh melalui metode web scraping dari berbagai sumber daring, kemudian diproses melalui tahapan resize, augmentasi, dan normalisasi. Hasil eksperimen menunjukkan bahwa kedua model mencapai akurasi pengujian sebesar 85%. Model Xception memiliki keunggulan dalam precision sebesar 90% dan F1-score 86% pada kelas sungai tercemar, meskipun menghasilkan beberapa false negative. Sementara itu, model InceptionV3 menunjukkan performa yang lebih seimbang dengan nilai precision, recall, dan F1-score sebesar 0,86. Temuan ini menunjukkan bahwa kedua model mampu mengklasifikasikan kondisi sungai secara cukup akurat dan dapat menjadi solusi alternatif dalam pemantauan kualitas lingkungan perairan secara otomatis
Performance Analysis of YOLO, Faster R-CNN, and DETR for Automated Personal Protective Equipment Detection Naufaldihanif, Rihan; Kurniawan, Dedy; Tania, Ken Ditha
Journal of Applied Informatics and Computing Vol. 9 No. 6 (2025): December 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i6.11593

Abstract

Automated monitoring of Personal Protective Equipment (PPE) is crucial for enhancing safety in high-risk environments like construction sites, yet selecting the optimal detection model requires careful evaluation of accuracy versus efficiency trade-offs. This study presents a comparative performance analysis across distinct object detection paradigms represented by YOLO (YOLOv8, YOLOv11n), Faster R-CNN, and DETR to benchmark their suitability for real-time PPE detection. However, this study moves beyond a simple technical benchmark by also proposing a logical process to transform raw model detections (e.g., 'person', 'hardhat') into actionable compliance verification information (e.g., 'Compliant'/'Non-Compliant'). Using a curated construction site safety dataset, models were evaluated based on standard accuracy metrics (including mAP@.5:.95) and efficiency measures (inference latency). Results indicate that DETR and YOLOv11n achieved the highest overall accuracy with an identical mAP@.5:.95 of 0.770, closely followed by YOLOv8 (0.763), while the YOLO family demonstrated significantly superior real-time efficiency (6-7 ms latency). Faster R-CNN recorded a lower mAP (0.703) and the highest latency. Conclusively, YOLOv11n offers the most compelling balance for the detection phase, and the proposed logical process provides a practical method for integrating this technical output into automated safety monitoring systems.
Co-Authors Ali Ibrahim Aqil Zidane, Muhammad Clark Peter Wijaya, Adley Dedy Kurniawan Fathoni Fathoni Hanggara, Bryan Ken Ditha Tania Kurnia Sari, Winda Nuraini Kusuma, Aisha Prasetia, Dika Prasetia