Prakoso, Aditia
Unknown Affiliation

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

Found 2 Documents
Search

Analisis Model Klasifikasi Penyakit Jantung dengan Decision Tree C4.5 Berdasarkan Pendekatan Sentralisasi dan Federated Learning pada Dataset UCI Prakoso, Aditia; Kurniawati, Kurniawati
Journal of System, Information Technology and Electronics Engineering Vol 5 No 1 (2025): JUNI 2025
Publisher : Universitas Ivet

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31331/jsitee.v5i1.4214

Abstract

Penyakit jantung merupakan penyebab utama kematian global dengan kontribusi sekitar 17,9 juta atau sekitar 32% kematian per tahun. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit jantung menggunakan algoritma Decision Tree C4.5 berdasarkan tiga atribut utama: chest pain (cp), usia (age), dan kadar kolesterol (chol) dari dataset Heart Disease UCI. Metodologi penelitian meliputi preprocessing data, pembagian dataset menjadi 70-80% data latih dan 20-30% data uji, perhitungan entropy dan information gain, serta pembentukan pohon keputusan menggunakan algoritma C4.5. Hasil penelitian menunjukkan bahwa atribut chest pain (cp) menjadi simpul akar yang paling informatif dalam klasifikasi, diikuti oleh usia dan kadar kolesterol sebagai pembeda lanjutan.
Meta M5: Analisis Hero dengan Ban Rate Tertinggi dalam Turnamen Mobile Legends Terbesar menggunakan Algoritma K-Means Adelia, Meyli; Prakoso, Aditia; Kurniawati, Kurniawati
Journal of System, Information Technology and Electronics Engineering Vol 5 No 1 (2025): JUNI 2025
Publisher : Universitas Ivet

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31331/jsitee.v5i1.4216

Abstract

Penelitian ini bertujuan untuk mengelompokkan hero Mobile Legends: Bang Bang (MLBB) berdasarkan karakteristik ban rate dan win rate pada turnamen M5 World Championship 2023, guna mengungkap pola dominasi hero dalam meta kompetitif. Tidak semua hero dengan ban rate tinggi menunjukkan win rate yang tinggi, sehingga diperlukan analisis berbasis data untuk memahami efektivitas hero secara objektif. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering, yang mengelompokkan 10 hero dengan ban rate tertinggi ke dalam tiga klaster berdasarkan kesamaan performa. Hasil clustering menunjukkan bahwa terdapat satu klaster yang terdiri dari hero dengan dominasi sangat tinggi (ban rate dan win rate tinggi), satu klaster hero berisiko sedang, dan satu klaster yang memiliki win rate tinggi meskipun jarang diblokir. Temuan ini memberikan gambaran strategis mengenai prioritas pelarangan (ban) dan pemilihan (pick) hero dalam kompetisi e-sports berbasis analisis kuantitatif