Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi VISA: Journal of Vision and Ideas
Juanuari, Juanuari
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mechanical Engineering Public Health Social Sciences

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

Found 3 Documents
Search

 1 
Idealfit: Aplikasi Penentuan Berat Badan Ideal dan Rekomendasi Kesehatan Berbasis Chatbot AI Juanuari, Juanuari; Widodo, Rahmat Tri; Ilyas, Maulana; Manzis, Ilham; Prasetya, Sabdha; Pratama, Reza; Nainggolan, Esron Rikardo
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36490

Abstract

Kelebihan berat badan dan obesitas masih menjadi permasalahan kesehatan yang banyak terjadi di Indonesia akibat pola hidup modern yang kurang seimbang. Untuk membantu masyarakat memahami kondisi tubuh secara mandiri, penelitian ini mengembangkan aplikasi IdealFit sebagai media edukasi kesehatan digital. Aplikasi dibangun menggunakan Flutter dan Dart dengan metode Rule-Based Learning untuk menghasilkan kategori tubuh, diagnosis awal, dan saran pencegahan berdasarkan data pengguna. IdealFit juga dilengkapi chatbot interaktif yang terintegrasi dengan API Gemini untuk memberikan informasi kesehatan umum. Perancangan sistem dilakukan menggunakan diagram UML, sedangkan pengujian menggunakan metode Blackbox Testing. Hasil implementasi menunjukkan bahwa seluruh fitur berfungsi dengan baik dan memberikan informasi yang relevan. IdealFit dapat dimanfaatkan sebagai media edukasi kesehatan digital yang mudah digunakan dan mendukung peningkatan kesadaran masyarakat terhadap pentingnya menjaga berat badan ideal dan pola hidup sehat.
Implementasi K-Nearest Neighbor untuk Klasifikasi Tingkat Kemiskinan Sebagai Pendukung Pengambilan Keputusan Sosial di Indonesia Juanuari, Juanuari; Manzis, Ilham; Musyaffa, Abdurrozzaq; Ngara, Simson Mali; Syahla, Haura; Putra, Jordy Lasmana
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.26866

Abstract

Kemiskinan tetap menjadi tantangan utama dalam pembangunan berkelanjutan di Indonesia, yang diperparah oleh kurangnya sistem identifikasi presisi untuk penyaluran bantuan sosial. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan tingkat kemiskinan di 514 kabupaten/kota di Indonesia guna mendukung pengambilan keputusan kebijakan sosial yang lebih tepat sasaran. Metode yang digunakan mencakup analisis dataset dengan 12 atribut indikator sosial-ekonomi, seperti Indeks Pembangunan Manusia (IPM) dan akses sanitasi. Tahapan pra-pemrosesan data melibatkan normalisasi min-max untuk menyelaraskan skala fitur yang heterogen serta teknik Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan distribusi kelas antara kategori "Miskin" dan "Tidak Miskin". Model divalidasi menggunakan metode 10-fold cross-validation dengan menguji variasi parameter k (3, 5, dan 7) melalui perangkat lunak RapidMiner. Hasil eksperimen menunjukkan bahwa algoritma KNN dengan parameter k=3 menghasilkan performa paling optimal dengan tingkat akurasi sebesar 89,88%. Meskipun presisi untuk kelas minoritas (miskin) tercatat sebesar 55,00%, model ini mampu mencapai nilai recall yang sangat tinggi, yakni 88,71%, serta rata-rata tertimbang F1-score sebesar 93,45%. Tingginya nilai recall menunjukkan kemampuan model dalam mendeteksi mayoritas penduduk miskin secara akurat, sehingga meminimalkan risiko pengabaian bantuan sosial. Penelitian ini menyimpulkan bahwa integrasi normalisasi dan SMOTE pada algoritma KNN secara signifikan meningkatkan sensitivitas model dalam mengidentifikasi kelompok rentan. Penggunaan model ini dianggap layak untuk kebijakan sosial inklusif karena lebih mengutamakan pengurangan kesalahan pengabaian (false negative). Namun, terdapat keterbatasan pada penggunaan data agregat wilayah yang berisiko memicu ecological fallacy. Untuk penelitian mendatang, disarankan penggunaan data tingkat rumah tangga yang lebih mikro serta integrasi indikator multidimensi yang lebih luas guna meningkatkan presisi identifikasi individu
Perbandingan Algoritma K-Nearest Neighbor (K-NN) dan Naive Bayes dalam Klasifikasi Tingkat Kemiskinan di Indonesia Juanuari, Juanuari; Ilyas, Maulana; Widodo, Rahmat Tri; Manzis, Ilham; Budiarti, Yusnia; Napiah, Musriatun
VISA: Journal of Vision and Ideas Vol. 6 No. 1 (2026): Journal of Vision and Ideas (VISA)
Publisher : IAI Nasional Laa Roiba Bogor

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

Abstract

Poverty is a major issue in sustainable development in Indonesia that requires a data-driven analysis approach to produce more accurate identification. This study aims to compare the performance of the K-Nearest Neighbor (K-NN) and Naive Bayes algorithms in classifying poverty levels in Indonesia based on social and economic data. The dataset was obtained from the Kaggle platform with the title "Classification of Poverty Levels in Indonesia", which contains 514 district/city data with various poverty indicators. The data was divided with a ratio of 80% for training and 20% for testing, then classification was carried out using the K-NN algorithm with a value of K = 5 and Naive Bayes. Evaluation was carried out using a confusion matrix with metrics of accuracy, precision, recall, and F1-score. The results showed that K-NN provided the best results with an accuracy of 97.09%, precision of 100%, recall of 75.00%, and F1-score of 85.71%, while Naive Bayes achieved an accuracy of 95.15%, precision of 73.33%, recall of 91.67%, and F1-score of 81.48%. This study resulted in better performance of this model compared to the results of previous studies. Therefore, the K-NN algorithm with the right parameters can be used as an effective method to support the data-based poverty level classification process and assist the government in poverty alleviation management and planning policies.
Co-Authors Ilyas, Maulana Jordy Lasmana Putra Manzis, Ilham Musriatun Napiah Musyaffa, Abdurrozzaq Nainggolan, Esron Rikardo Ngara, Simson Mali Prasetya, Sabdha Pratama, Reza Rahmat Tri widodo Syahla, Haura Yusnia Budiarti