Claim Missing Document
Check
Articles

Found 4 Documents
Search

Penerapan K-Means Clustering Untuk Pengelompokan Modalitas Pencitraan Medis Pada Dataset Imaging Data Commons Dea Anggraini; Angelina S. Saragih; Bicanro Gebriyan Panjaitan
International Research on Big-Data and Computer Technology: I-Robot Vol 10, No 1 (2026): April
Publisher : UNIVERSITAS DHARMA WACANA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53514/ir.v10i1.725

Abstract

Distribusi modalitas pencitraan medis dalam dataset Imaging Data Commons (IDC) yang berskala petabyte belum pernah dianalisis secara sistematis menggunakan pendekatan data mining, padahal ketimpangan distribusinya berpotensi memengaruhi kualitas pengembangan model kecerdasan buatan di bidang onkologi. Penelitian ini bertujuan mengelompokkan modalitas pencitraan medis berdasarkan karakteristik distribusi data menggunakan algoritma K-Means Clustering yang diakses melalui Google BigQuery. Data diproses melalui tahapan preprocessing meliputi pembersihan, penyaringan noise, dan normalisasi MinMaxScaler. Nilai K optimal ditentukan melalui Elbow Method menghasilkan K=3. Hasil clustering membentuk tiga kelompok: Cluster 2 (CT, 62,22%), Cluster 1 (MR, 32,41%), dan Cluster 0 (20 modalitas minor, 5,37%), dengan Silhouette Score 0,7823 yang termasuk kategori cluster kuat. Penelitian ini mengungkap bahwa hubungan antara cakupan body part dan volume data bersifat eksponensial, serta dominasi CT dan MRI berpotensi menciptakan blind spot pada model AI medis apabila ketimpangan distribusi tidak ditangani sebelum pelatihan model.
Implementasi Algoritma Greedy untuk Optimasi Protein pada 0/1 Knapsack dalam Diet Defisit Kalori Angelina S. Saragih; Elga Sari Tanjung; Muhammad Rois Lukman Damanik; Adidtya Perdana
Jurnal Riset Informatika dan Inovasi Vol 3 No 12 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Program diet defisit kalori memerlukan perencanaan nutrisi yang cermat, khususnya dalam memaksimalkan asupan protein tanpa melebihi batas kalori harian. Permasalahan ini dapat dimodelkan sebagai 0/1 Knapsack Problem di mana kalori bertindak sebagai bobot dan kandungan protein sebagai nilai. Penelitian ini mengimplementasikan dan mengevaluasi tiga strategi Algoritma Greedy, yaitu Greedy by Density (rasio protein/kalori), Greedy by Profit (protein terbesar), dan Greedy by Weight (kalori terkecil) pada dataset 50 menu makanan berbasis Tabel Komposisi Pangan Indonesia (TKPI) dengan kapasitas 1500 kkal. Hasil eksperimen menunjukkan bahwa Greedy by Density menghasilkan total protein tertinggi sebesar 221,2 gram dengan pemanfaatan kapasitas penuh (0 kkal sisa), diikuti Greedy by Profit dengan 176,9 gram, dan Greedy by Weight dengan 128,4 gram. Kompleksitas algoritma secara keseluruhan adalah O(n log n). Penelitian ini membuktikan bahwa strategi berbasis rasio nilai-terhadap-bobot merupakan pendekatan paling efektif dalam optimasi menu diet defisit kalori.
Komparasi Arsitektur Deep Learning Berbasis Attention untuk Prediksi Quality of Service (QoS) Jaringan Angelina S. Saragih; Yehezkiel Haganta Tarigan; Zulfahmi Indra; M. Zikry Sahendra Chan
Teknik: Jurnal Ilmu Teknik dan Informatika Vol. 6 No. 2 (2026): Oktober: Teknik: Jurnal Ilmu Teknik dan Informatika
Publisher : LPPM Sekolah Tinggi Ilmu Ekonomi - Studi Ekonomi Modern

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/teknik.v6i2.1283

Abstract

Quality of Service (QoS) is an important indicator in computer network management as it directly affects the quality of services experienced by users. Accurate QoS prediction can assist network administrators in making proactive decisions and improving network performance. This study compares the performance of four deep learning architectures, namely Conv1D, LSTM, Conv1D+Attention, and LSTM+Attention, for time-series QoS prediction. The dataset consists of 95,611 observations collected from a GNS3-based network simulation environment, including three QoS parameters: traffic_in_bps, traffic_out_bps, and latency_ms. Prior to model training, the data were processed using Min-Max Scaling and a sliding window approach to generate sequential inputs. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). Experimental results show that the LSTM+Attention model achieved the best performance with an MAE of 0.003224, an RMSE of 0.013578, and an R² of 0.943872. Meanwhile, the Conv1D model demonstrated competitive performance with results close to the best-performing model. Further analysis indicates that the attention mechanism improved the performance of the LSTM architecture but did not provide similar benefits when applied to Conv1D. These findings suggest that the effectiveness of attention mechanisms is influenced by the characteristics of the underlying architecture used for QoS prediction.
AUTOMASI ROUTING STATIC DAN DYNAMIC BERBASIS ARSITEKTUR CLIENT SERVER Angelina S. Saragih; Dedy Kiswanto; Jatmiko Althaf Aziz; Andika Veriando Saragih
ZONAsi: Jurnal Sistem Informasi Vol. 8 No. 3 (2026): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2026
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/4hvjfn56

Abstract

Pengelolaan jaringan komputer secara manual memiliki banyak keterbatasan, terutama dalam hal efisiensi waktu, konsistensi konfigurasi, dan skalabilitas. Penelitian ini bertujuan mengimplementasikan otomasi konfigurasi routing statis dan dinamis menggunakan script Python pada lingkungan simulasi jaringan GNS3 dengan perangkat MikroTik Cloud Hosted Router (CHR) berbasis arsitektur client-server. Metode yang digunakan meliputi perancangan topologi jaringan dengan tiga router, dua PC (VPCS), dan satu node NetworkAutomation sebagai control node. Script Python dikembangkan menggunakan library Netmiko untuk melakukan koneksi SSH ke setiap router secara otomatis. Dua skenario pengujian dilakukan, yaitu konfigurasi routing statis dan konfigurasi routing dinamis OSPF. Hasil pengujian menunjukkan bahwa kedua script berhasil mengkonfigurasi seluruh router secara otomatis tanpa intervensi manual, dengan verifikasi konektivitas end-to-end antara PC1 dan PC2. Waktu konfigurasi menggunakan script Python jauh lebih singkat dibandingkan konfigurasi manual.