Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Aryaputra, Daffa Pramata
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
Kolaborasi Algoritma K-Nearest Neighbor Dan Gradient Boosting Untuk Klasifikasi Diabetes Melitus Tipe 2 Oktavian, Aloysius; Arini, Florentina Yuni; Aryaputra, Daffa Pramata; Syanjalih, Alul Hidja; Aldevis, Mohammad Farrel
JURNAL FASILKOM Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i3.10556

Abstract

Diabetes Melitus Tipe 2 (DMT2) telah menjadi salah satu tantangan kesehatan masyarakat terbesar di Indonesia, dengan prevalensi yang terus meningkat dan sebagian besar kasus tidak terdiagnosis. Deteksi dini menjadi kunci untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi berbasis machine learning untuk prediksi DMT2. Tiga pendekatan dieksplorasi: algoritma K-Nearest Neighbor (KNN), Gradient Boosting, dan model KNN + Gradient Boosting yang mengintegrasikan keduanya melalui arsitektur stacking ensemble. Kinerja diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model ensemble secara signifikan mengungguli model tunggal. Model KNN mencapai akurasi 90.92% namun dengan presisi yang rendah untuk kelas diabetik (0.48). Model Gradient Boosting menunjukkan peningkatan signifikan dengan akurasi 95.50% dan presisi 0.72. Model KNN + Gradient Boosting menunjukkan kinerja terbaik dengan akurasi keseluruhan 96.17% dan presisi tertinggi untuk kelas diabetik (0.81), yang secara efektif mengurangi tingkat alarm palsu. Temuan ini mengindikasikan bahwa model KNN + Gradient Boosting memiliki potensi besar sebagai alat bantu pendukung keputusan klinis yang andal untuk identifikasi dini individu berisiko tinggi DMT2.
ANT NESTING OPTIMIZATION UNTUK PENINGKATAN AKURASI CNN DALAM DIAGNOSTIK BRAIN TUMOR Arini, Florentina Yuni; Oktavian, Aloysius; Hidayaturrohmah, Nia Nur; Aryaputra, Daffa Pramata; Syanjalih, Alul Hidja; Aldevis, Mohammad Farrel; Aisar, Muhammad Zidan
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v9i1.3669

Abstract

This study discusses the application of a new optimization algorithm, namely Ant Nesting Optimization (ANO), to improve the performance of Convolutional Neural Networks (CNN) in brain tumor classification based on MRI images. ANO is inspired by the behavior of Leptothorax ants in selecting optimal nest locations, which is applied in the model's exploration and exploitation processes. The optimized CNN model shows an increase in classification accuracy of up to 97%, with superior performance in detecting various types of brain tumors. The evaluation results show that the proposed model has faster and more stable loss convergence compared to the standard model. This optimization method not only improves classification precision but also accelerates model stabilization during the training process. With these results, the research proves the effectiveness of ANO as an optimization method in deep learning networks and opens up wider application opportunities in the field of artificial intelligence-based diagnostics.
Co-Authors Aisar, Muhammad Zidan Aldevis, Mohammad Farrel Florentina Yuni Arini, Florentina Yuni Hidayaturrohmah, Nia Nur Oktavian, Aloysius Syanjalih, Alul Hidja