Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer
Ahmad Muhariya
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Education Engineering

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

Found 2 Documents
Search

 1 
Explainable Machine Learning untuk Prediksi Risiko Penyakit Jantung Menggunakan Random Forest dan Analisis SHAP Luthfia Nurma Hapsari; Ilham Fannani; Yenny Rahmawati; Ahmad Muhariya
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15766

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode yang efektif untuk memprediksi risiko penyakit tersebut secara dini. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Random Forest dalam memprediksi risiko penyakit jantung menggunakan data klinis pasien, serta meningkatkan transparansi model melalui pendekatan explainable machine learning menggunakan SHAP. Dataset yang digunakan merupakan data penyakit jantung publik yang berisi fitur-fitur klinis seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, dan denyut jantung maksimum. Model Random Forest dilatih dan dievaluasi menggunakan data uji dengan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model Random Forest memperoleh nilai akurasi sebesar 0,80 dan F1-score tertimbang sebesar 0,80. Selain itu, nilai recall sebesar 0,80 dan precision 0,82 pada kelas penyakit jantung menunjukkan bahwa model cukup efektif dalam mendeteksi pasien yang berisiko. Analisis interpretabilitas menggunakan SHAP menunjukkan bahwa fitur chest pain type, thalassemia, dan jumlah pembuluh darah utama merupakan fitur yang memiliki kontribusi paling besar terhadap prediksi risiko penyakit jantung. Hasil penelitian ini menunjukkan bahwa Random Forest dengan pendekatan explainable machine learning berbasis SHAP mampu memberikan prediksi yang cukup baik serta interpretasi model yang lebih transparan, sehingga berpotensi digunakan sebagai alat bantu analisis berbasis data pada prediksi risiko penyakit jantung. Kata kunci: penyakit jantung, machine learning, Random Forest, SHAP, explainable machine learning.
SENTIMENT ANALYSIS OF MOSQUITO-BORNE DISEASES ON SOCIAL MEDIA BASED ON BERT Dziky Ridhwanullah; Dwi Remawati; Ahmad Muhariya
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 11 No 2 (2026): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v11i2.7733

Abstract

Mosquito-borne diseases, including malaria, dengue hemorrhagic fever (DHF), and chikungunya, remain significant public health challenges in Indonesia. With the extensive use of the internet, social media platforms such as X (Twitter) and Instagram have emerged as vital sources for capturing public sentiment in real-time. This study aims to identify and analyze Indonesian public sentiment regarding these diseases using a Deep Learning approach. The dataset comprises 1,800 records collected between 2024 and 2025 via web scraping. The methodology utilizes the BERT (Bidirectional Encoder Representations from Transformers) model for contextual feature extraction, evaluated through three Recurrent Neural Network (RNN) architectures: LSTM, GRU, and BiLSTM. The results reveal a predominant negative sentiment (56.99%), followed by neutral (32.99%) and positive (10.01%). While all models achieved high training accuracy (approx. 96%), the Gated Recurrent Unit (GRU) demonstrated superior generalization with the highest average validation accuracy of 94.24%. This study concludes that the GRU model is the most stable and effective architecture for classifying Indonesian public health sentiments on social media.
Co-Authors Dwi Remawati Dziky Ridhwanullah Ilham Fannani Luthfia Nurma Hapsari Yenny Rahmawati