Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal International Research on Big-data and Computer Technology (IRobot) JRIIN :Jurnal Riset Informatika dan Inovasi
Angelina S. Saragih
Universitas Negeri Medan
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
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.
Co-Authors Adidtya Perdana, Adidtya Bicanro Gebriyan Panjaitan Dea Anggraini Elga Sari Tanjung Muhammad Rois Lukman Damanik