Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JRIIN :Jurnal Riset Informatika dan Inovasi
Juliandry, Alvis
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Prediksi Penyakit Diabetes Menggunakan Algoritma Naive Bayes Berbasis Data Mining dengan Software Orange Yanti, Fitri; Majid, Abdul; Fikri, Abelli; Juliandry, Alvis; Ardiansyah; Ariansyah, Fikri
Jurnal Riset Informatika dan Inovasi Vol 3 No 8 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Diabetes mellitus adalah penyakit kronis dengan prevalensi yang terus meningkat secara global dan memerlukan deteksi dini untuk mencegah komplikasi serius. Penelitian ini bertujuan mengembangkan model prediksi diabetes menggunakan algoritma Naive Bayes dengan pendekatan data mining. Dataset yang digunakan adalah Pima Indians Diabetes Database yang terdiri dari 768 instances dengan 8 fitur medis. Metode penelitian meliputi preprocessing data (penanganan missing values dan normalisasi) serta implementasi algoritma menggunakan software Orange Data Mining. Evaluasi model menggunakan 10-Fold Cross-Validation menghasilkan akurasi sebesar 76.3%, precision 71.2%, recall 68.5%, dan F1-score 69.8%. Nilai AUC (Area under Curve) mencapai 0.82, mengindikasikan kemampuan diskriminasi model yang sangat baik (excellent). Model ini berpotensi membantu tenaga medis dalam melakukan screening awal pasien berisiko diabetes.
Implementasi Algoritma K-Means untuk Pemetaan Tingkat Kelulusan Mahasiswa Berdasarkan Parameter Akademik Awal Nanang; Juliandry, Alvis; Dinata, Andi Bagja
Jurnal Riset Informatika dan Inovasi Vol 3 No 11 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

This study aims to classify students based on their academic performance during the first four semesters in order to map their potential for on-time graduation. Using the K-Means algorithm, the data were processed into three clusters: High, Medium, and Low. The results indicate that second-semester GPA and the number of credits taken are the dominant factors influencing the clustering. The model achieves a clustering accuracy of 71%, which can be utilized by academic programs as an early warning system.
Co-Authors Abdul Majid Ardiansyah Ariansyah, Fikri Dinata, Andi Bagja Fikri, Abelli Fitri Yanti Nanang