Article Per Year (5 Year)
p-Index From 2021 - 2026
3.737
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) JURNAL MEDIA INFORMATIKA BUDIDARMA Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri Prosiding Seminar Nasional Teknoka JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Informatika Universitas Pamulang Jurnal Nasional Komputasi dan Teknologi Informasi JURIKOM (Jurnal Riset Komputer) Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) JUKI : Jurnal Komputer dan Informatika Jurnal Computer Science and Information Technology (CoSciTech) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer
Iis Afrianty
Universitas Islam Negeri Sultan Syarif Kasim Riau
Aerospace Engineering Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Neuroscience Transportation

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
Klasifikasi Diabetik Retinopati Menggunakan Wavelet Haar dan Backpropagation Neural Network Suwanto Sanjaya; Arif Mudi Priyatno; Febi Yanto; Iis Afrianty
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2018: SNTIKI 10
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (702.251 KB)

Abstract

Diabetik retinopati merupakan penyakit yang menyerang retina mata dan dapat menyebabkan kebutaan. Tingkat keparahan diabetik retinopati terbagi atas empat yaitu Normal, Diabetik Retinopati Non-proliferative (NPDR), Diabetik Retinopati Proliferative (PDR) dan Makula Endema (ME). Pada dasarnya diabetik retinopati dapat diamati menggunakan kamera fundus tetapi membutuhkan waktu yang cukup lama. Sehingga pada penelitian ini diterapkan ilmu pengolahan citra dan Jaringan Syaraf Tiruan sebagai cara lain untuk mengelompokkan penyakit diabetik retinopati. Wavelet Haar digunakan sebagai ekstraksi ciri citra retina mata dan Backpropagation Neural Network (BPNN) digunakan sebagai Metode klasifikasinya. Data yang digunakan bersumber dari messidor database. Jumlah data yang digunakan adalah sebanyak 612 citra (153 data setiap kelas). Berdasarkan hasil pengujian, akurasi tertinggi sebesar 56,25% dengan ukuran citra 2440 x 1448 piksel, haar level ke-4 serta persentase perbandingan data latih dan data uji 95%:5%, Learning rate 0,01. Berdasarkan hasil tersebut, algoritme wavelet haar kurang mampu mengenali ciri dari diabetik retinopati.
Text Classification System Based on Islamic Jurisprudence Using Multinomial Naïve Bayes Classifier Riyan Wibowo Saputra; Benny Sukma Negara; Rahmad Kurniawan; Muhammad Irsyad; Iis Afrianty; Fitra Lestari
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2021: SNTIKI 13
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indonesia merupakan negara dengan populasi umat muslim terbesar di dunia. Islam tidak hanya mengajarkan tentang ibadah tetapi juga masalah kehidupan seorang muslim yang diatur dalam hukum Islam (Fiqih). Ilmu hukum Islam dapat diketahui dengan cara belajar kepada seorang ulama bidang Fiqih atau membaca buku dari ulama tersebut. Namun, tidak semua orang dapat bertemu ulama dan dapat memahami isi buku dari ulama tersebut. Oleh karena itu, diperlukan sebuah sistem klasifikasi teks yang dapat digunakan umat untuk pertimbangan jawaban dari hukum Islam yang ditanyakan. Algoritme Multinomial Naïve Bayes dipilih sebagai metode untuk menyimpulkan jawaban hukum Islam karena ketepatannya sebagai mesin inferensi. Buku yang ditulis oleh pakar Fiqih Asia Tenggara yaitu Ustaz Abdul Somad yang berjudul “37 Masalah Popular, 77 Tanya Jawab Tentang Shalat dan 33 Tanya Jawab Seputar Kurban” telah digunakan sebagai basis pengetahuan dalam aplikasi berbasis web ini. Berdasarkan hasil pengujian  yang dilakukan, didapatkan sistem klasifikasi teks hukum Islam ini menghasilkan akurasi sebesar 75%. Berdasarkan eksperimen dan pengujian tersebut, dapat disimpulkan bahwa sistem klasifikasi teks berdasarkan hukum Islam ini berpotensi digunakan sebagai pertimbangan dalam memahami ilmu Fiqih.
Performance Analysis of Support Vector Machine in Sex Classification of The Sacrum Bone in Forensic Anthropology Iis Afrianty; Dewi Nasien; Habibollah Haron
JURNAL TEKNIK INFORMATIKA Vol 15, No 1 (2022): JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v15i1.25254

Abstract

Sex classification is part of forensic anthropological identification aimed at determining whether the skeleton belongs to a male or a female. This paper exhibits the performance of the Support Vector Machine (SVM) in classifying the sex of the sacrum in forensic anthropology. Bone data was measured by the metric method based on six variables, namely superior breadth, anterior length, mid ventral breadth, real height, diameter the base, and max-transverse diameter of the base. This study shows performance analysis of SVM using the library libSVM with linear, polynomial, and RBF kernel to observe the results of the comparison of the accuracy of the kernel used. According to the results of the trials, the best accuracy was attained in each kernel function, i.e., the RBF kernel is 83.33% with g = 1 and C = 1, the polynomial is 85.56% at γ = 2, C = 2 and d =1, and the linear kernel obtained best accuracy is 84.44 % with C = 2 and C = 3. In conformity with the experimental result, polynomial attained the highest accuracy of 85.56% at γ = 2, C = 2, and d =1.
Penerapan Metode FP-GROWTH Untuk Analisa Pola Konsumsi Makan Penderita Diabetes Melitus Fratiwi Rahayu; Elvia Budianita; Fadhilah Syafria; Iis Afrianty
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 3 (2022): Juni 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i3.4401

Abstract

Abstrak - Penyakit diabetes melitus adalah gejala yang timbul terhadap seseorang akibat kadar gula darah yang tinggi atau hiperglikemia. Kemenkes (2018) menyebutkan bahwa faktor yang dapat menyebabkan terjadinya diabetes melitus salah satunya adalah berdasarkan faktor konsumsi makan. Penelitian ini bertujuan untuk menemukan pola makan dari penderita diabetes melitus. Data yang digunakan pada penelitian ini adalah data yang didapat setelah melakukan wawancara dan penyebaran kuesioner pada penderita diabetes melitus di Puskesmas Melur dan Rumah Sakit Aulia Hospital. Adapun atribut yang akan digunakan pada penelitian ini yaitu jenis kelamin, penyakit penyerta, terapi, frekuensi makan, makanan pokok, konsumsi sayur, konsumsi buah, konsumsi protein nabati, protein hewani, konsumsi gula, makanan ringan, makanan instan, dan minuman manis. Penelitian menggunakan algoritma FP-Growth dengan nilai confidence 100% dan minimum support 40%. Tools yang digunakan RapidMiner 9.1 sehingga didapatkan 13 rules. Dari 13 aturan asosiasi yang dihasilkan dapat disimpulkan bahwa penderita diabetes melitus yang mengkonsumsi sayur 1 porsi dalam sehari, konsumsi buah 1x dalam sehari, dan mengkonsumsi makanan instan 3x dalam seminggu maka penderita diabetes melitus merupakan penderita diabetes terkontrol.Kata kunci: Algoritma FP-Growth, Diabetes Melitus, RapidMiner, Support Abstract - Diabetes mellitus is a symptom that arises in a person due to high blood sugar levels or hyperglycemia. The Ministry of Health (2018) stated that one of the factors that can cause diabetes mellitus is based on eating consumption factors. This study aims to find the diet of people with diabetes mellitus. The data used in this study are data obtained after conducting interviews and the distribution of questionnaires in people with diabetes mellitus at the Melur Health Center and Aulia Hospital. The attributes that will be used in this study are gender, comorbidities, therapy, frequency of eating, staple foods, vegetable consumption, fruit consumption, consumption of vegetable protein, animal protein, sugar consumption, snacks, instant foods, and sugary drinks. The study used the FP-Growth algorithm with a confidence value of 100% and a minimum support of 40%. Tools used by RapidMiner 9.1 so that 13 rules are obtained. From the 13 association rules produced, it can be concluded that people with diabetes mellitus who consume 1 serving of vegetables in a day, consume fruit 1x in a day, and consume instant food 3x in a week, people with diabetes mellitus are controlled diabetics.Keywords : FP-Growth Algorithm, Diabetes Mellitus, RapidMiner, Support
Pengelompokkan Penyakit Pasien Menggunakan Algoritma K-Means Rahayu Anggraini; Elin Haerani; Jasril Jasril; Iis Afrianty
JURIKOM (Jurnal Riset Komputer) Vol 9, No 6 (2022): Desember 2022
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v9i6.5145

Abstract

Health is one of the most important factors besides education and income. Everyone has the same human rights to get good health services. A government agency that functions to serve all people who need medical services in Indonesia, namely the puskesmas. Ujung Batu Health Center which is located in Ujung Batu sub-district, Rokan Hulu Regency as one of the government agencies. The Ujung Batu health center stores patient medical record data, only sorting out the disease. Therefore, the medical record data needs to be processed using clustering or grouping using the K-Means method. This algorithm partitions the data into clusters so that data with the same characteristics are grouped into the same cluster and data with different characteristics are grouped. into another cluster. The data used consisted of 3875 records and 5 attributes, namely Gender, Participant Type, Diagnosis, Return Status, Address. From the test using the K-means algorithm, the clustering results show that cluster 1 has 710 data while cluster 2 has 3165 data. The results of the study show that the use of 2 clusters is the best cluster with a Silhouette Coefficient value showing results with a SC value of 0.646.
Peringkasan Teks Otomatis Artikel Berbahasa Indonesia Menggunakan Algoritma Textrank Faizah Husniah; Surya Agustian; Iis Afrianty
Prosiding Seminar Nasional Teknoka Vol 7 (2022): Proceeding of TEKNOKA National Seminar - 7
Publisher : Fakultas Teknik, Universitas Muhammadiyah Prof. Dr. Hamka, Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Banyaknya informasi yang terdapat pada media online salah satunya adalah artikel. Artikel pada umumnya berisikan kumpulan kalimat yang panjang sehingga pembaca membutuhkan waktu yang lebih banyak untuk memperoleh intisari dari artikel. Sistem peringkasan teks otomatis membantu pengguna mengetahui isi artikel tanpa harus membaca keseluruhan dokumen, sehingga dapat menghemat waktu. Penelitian ini menyelidiki algoritma textrank untuk peringkasan dokumen. Algoritma textrank akan menghitung skor dari setiap kalimat, kemudian memilih sejumlah kalimat sebagai ringkasan. ROUGE scoring digunakan untuk menghitung performa sistem berdasarkan ringkasan manual yang dibuat oleh manusia (human annotator) sebagai gold standard. Hasil pengujian dengan compression rate 50% pada pilihan ranking kalimat yang terpilih sebagai ringkasan, menghasilkan nilai pada ROUGE-1, ROUGE-2 dan ROUGE-L secara berturut-turut adalah 68.76%, 60.60%, dan 68.29%. Sedangkan untuk compression rate 30%, rata-rata pada ROUGE-1, ROUGE2 dan ROUGE-L berturut-turut adalah 45.00%, 31.62%, dan 43.59%. Hasil ini sangat kompetitif dibandingkan dengan score pada penelitian tentang sistem peringkasan dokumen lainnya.
Penerapan Algoritma K-Medoids Clustering untuk Mengetahui Pola Penerima Beasiswa Bank Indonesia Provinsi Riau Mentari Aulia Putri; Alwis Nazir; Lestari Handayani; Iis Afrianty
JUKI : Jurnal Komputer dan Informatika Vol. 5 No. 1 (2023): JUKI : Jurnal Komputer dan Informatika, Edisi Mei 2023
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Beasiswa Bank Indonesia merupakan bentuk dukungan finansial yang diberikan Bank Indonesia untuk para mahasiswa di Perguruan Tinggi Negeri dan Swasta terpilih. Melihat data penerima yang diperoleh sejak tiga tahun terakhir yakni 2020, 2021 dan 2022, perlu dilakukan pencarian pola karakteristik penerima beasiswa Bank Indonesia dikarenakan pihak Bank Indonesia belum memiliki pola. Metode yang digunakan dalam penelitian ini adalah metode data mining yang menggunakan algoritma K-Medoids dan aplikasi rapidminer. Data diperoleh bersumber dari Humas Bank Indonesia berupa data penerima beasiswa tahun 2020,2021, dan 2022. Variabel yang digunakan dalam penelitian ini yaitu IPK, Program Studi, dan Semester. Hasil dari penelitian ini yaitu pada Sekolah Tinggi Teknologi Dumai penerima beasiswa didominasi oleh mahasiswa Teknik Informatika. Pada UIN Suska Riau, penerima beasiswa didominasi oleh mahasiswa program studi Ilmu Komunikasi dan Fakultas Pertanian Peternakan semester 7. Pada Universitas Riau penerima beasiswa didominasi oleh mahasiswa dari Fakultas Ilmu Sosial dan Politik, Fakultas Ekonomi dan bisnis, program studi Pendidikan Ekonomi, Program Studi Ilmu Hukum semester 7. Pada Universitas Lancang Kuning didominasi oleh mahasiswa Fakultas Ekonomi dan Bisnis sesmeter 7. Pada Universitas Muhammadiyah Riau beasiswa ini didominasi oleh mahasiswa Program Studi Sistem Informasi semester 7. Kemudian juga dapat dilihat bahwa mahasiswa penerima beasiswa Bank Indonesia di tiap Universitas didominasi oleh mahasiswa yang memiliki IPK besar dari 3.5.
Penerapan Algoritma Fuzzy C-Means untuk Melihat Pola Penerima Beasiswa Bank Indonesia Agung Surya Maulana; Alwis Nazir; Lestari Handayani; Iis Afrianty
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 3 No. 6 (2023): Juni 2023
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v3i6.788

Abstract

Scholarship is a program in the form of financial assistance aimed at individuals to continue their education with the aim of helping reduce the financial burden during the study period, especially in difficult situations, so that it can help expedite the learning process. Based on data related to scholarship recipients obtained in 2020, 2021 and 2022, analysis is needed to see the characteristics of Bank Indonesia scholarship recipients because Bank Indonesia does not yet know this, this was said directly by the Bank Indonesia Scholarship supervisor. The method needed for grouping data is data mining with the Fuzzy C-Means algorithm and using a computerized system, namely the RapidMiner application. This study uses the Cumulative Grade Point Average (GPA), Semester, and Study Program variables. The research results obtained were at Riau University for three years, the pattern formed was students of the Faculty of Social and Political Sciences with a large GPA of 3.5. At Sultan Syarif Kasim Riau State University, Riau Muhammadiyah University, and Lancang Kuning University have the same pattern, namely students with a GPA above 3.5. Then at the Dumai College of Technology, namely Informatics Engineering students with a large GPA of 3.5
Penerapan Fuzzy Backpropagation Neural Network dalam Klasifikasi Penyakit Stroke Karina Julita; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31351

Abstract

Stroke adalah penyakit cerebrovaskuler yang ditandai dengan gejala neurologis tiba-tiba akibat cedera vaskular akut pada otak. Menurut WHO pada tahun 2019, stroke penyebab utama kematian dan kecacatan kedua di dunia, dengan prevalensi global 101,5 juta orang. Diagnosis medis penting dalam penanganan stroke, namun biaya yang tinggi sering menjadi kendala bagi masyarakat. Penelitian ini bertujuan untuk mengembangkan metode Fuzzy Backpropagation Neural Network dalam klasifikasi stroke dengan menggunakan data sekunder dari platform Kaggle yang berjumlah 4981 data. Analisis data melibatkan sepuluh variabel relevan dalam klasifikasi stroke diantaranya variabel seperti jenis kelamin, umur, hipertensi, riwayat penyakit jantung, indeks massa tubuh, nilai kadar gula dalam darah, status pernikahan, status merokok, tipe pekerjaan dan lingkungan tempat tinggal. Pada penelitian ini, pengujian yang dilakukan dibagi menjadi tiga skenario diantaranya, skenario 1 dengan α = 0,1, skenario 2 dengan α = 0,01 dan skenario 3 dengan α = 0,001 pada epoch 10, 1000 dan 100000. Hasil pengujian menunjukkan akurasi tertinggi dengan menggunakan pola jaringan 10-4-1 pada pembagian data latih dan data uji 70%:30% dengan α = 0.01 dan  epoch 100000 menghasilkan tingkat akurasi sebesar 86,52%, presisi 0,87, recall 0,87 dan f-1 score 0,87. Berdasarkan hasil pengujian tersebut, FBPNN dinilai mampu dalam mengklasifikasi stroke dengan kinerja yang baik.
Klasifikasi Penyakit Stroke Jaringan Syaraf Tiruan Menerapkan Metode Learning Vector Quantization Puspa Melani Almahmuda; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31359

Abstract

Penyakit Stroke ialah salah satu penyebab kematian paling umum dan sering terjadi didunia termasuk Asia setelah penyakit jantung koroner dan kanker. Pemecahan masalah dengan melakukan klasifikasi penyakit stroke menggunakan metode Learning Vector Quantization (LVQ) dengan mengklasifikasikan data stroke dan tidak stroke (normal) berdasarkan gejala penyakit. Adapun dataset diperoleh dari situs Kaggle berjumlah 4981 data yang memiliki 10 variabel diantaranya jenis kelamin, usia, status pernikahan, hipertensi, penyakit jantung, tipe kerja, tipe tempat tinggal, tingkat avg glukosa, BMI (indeks massa tubuh), dan smoking status. Data tersebut dilakukan klasifikasi LVQ dengan membagi data yaitu 90:10, 80:20, 70:30 dan 60:40 dan parameter learning rate = 0,01 dan 0,001 serta epoch 1000. Dari proses klasifikasi tersebut maka didapatkan hasil akurasi tertinggi 70% dengan presisi 0,72 recall 0,70 dan f1 score 0,69, diperoleh dengan membagi data 90% : 10%. Berdasarkan hasil tersebut, metode LVQ pada penelitian ini mampu melakukan klasifikasi penyakit stroke dengan cukup  baik.
Co-Authors Agung Surya Maulana Alwaliyanto Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Arif Mudi Priyatno Boni Iqbal Darmila Dewi Nasien efni humairah Eka Pandu Cynthia Elin Haerani Elin Haerani Elin Haerani Elvia Budianita Erni Rouza, Erni Fadhilah Syafria Faizah Husniah Febi Yanto Felian Nabila Fitra Lestari Fitri Insani Fratiwi Rahayu Gusti, Siska Kurnia Habibollah Haron Ihlal Hanafi Harahap Ikhsanul Hamdi Ismail marzuki Iwan Iskandar Iwan Iskandar Iwan Iskandar Jasril Jasril Karina Julita Lestari Handayani Mawadda Warohma Mentari Aulia Putri Muhammad Fikry Muhammad Habib Nazlis Muhammad Irsyad Nazruddin Safaat H Negara, Benny Sukma Nurafni Syahfitri Nurul Fatiara Purnama, Nilam Puspa Melani Almahmuda Qurrata A'yuni Rahayu Anggraini Rahmad Abdillah Rahmad Kurniawan Rahmat Al Hafiz Ravi Umbara Reski Mai Candra Riyan Wibowo Saputra Robby Azhar Said Nurfan Hidayad Tillah Sephia Pratista SURYA ADITYA GD Surya Agustian Suswantia Andriani Suwanto Sanjaya Syaiful Azhar Yusra Yusra