cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fendi Aji Purnomo
Contact Email
fendi_aji@mipa.uns.ac.id
Phone
-
Journal Mail Official
ijai@mipa.uns.ac.id
Editorial Address
-
Location
Kota surakarta,
Jawa tengah
INDONESIA
Indonesian Journal of Applied Informatics
Published by Universitas Sebelas Maret
ISSN : 25483846     EISSN : 25985981     DOI : -
Core Subject : Science,
Computer Science & IT
Indonesian Journal of Applied Informatics publishes articles that are of significance in their respective fields whilst also contributing to the discipline of informatics as a whole and its application. Every incoming manuscript will first be examined by the Editorial Board in accordance with sub-fields of research and attention to elements of conformity with the format and guidelines for writing Indonesian Journal of Applied Informatics. Each manuscript is declared eligible by the editor will be returned to the author (if there are repairs) or can be directly issued (if there is no revision required).
Arjuna Subject : -
Articles 213 Documents
 18   19   20   21   22 
Pengelompokan Regu Penyelamat Non-Kebakaran di Kabupaten Cirebon dengan K-Means Clustering Arye Fandia Kusuma; Nana Suarna; Irfan Ali; Dodi Solihudin
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.96225

Abstract

Abstrak : Layanan darurat non kebakaran di Kabupaten Cirebon menghadapi beberapa kendala, seperti alokasi sumber daya yang tidak efisien dan terbatasnya pemanfaatan analisis data. Penelitian ini bertujuan untuk meningkatkan pengelolaan regu penyelamat dengan memanfaatkan algoritma K-Means sebagai metode pengelompokan data. Menggunakan pendekatan data mining dan penerapan Knowledge Discovery in Database (KDD), penelitian ini menganalisis 874 data layanan darurat non kebakaran yang dikumpulkan pada tahun 2023-2024. Data yang dianalisis meliputi Lokasi kejadian, jenis penyelamatan, tingkat keparahan insiden, waktu respons, dan distribusi regu penyelamat. Proses penelitian dimulai dengan konversi data kedalam format numerik. Hasil menunjukan nilai DBI terendah sebesar 0,080 dengan empat klaster optimal, yang meningkatkan efisiensi distribusi regu penyelamat=====================================================Abstract : Non-fire emergency services in Cirebon Regency face several obstacles, such as inefficient resource allocation and limited utilization of data analysis. This study aims to improve the management of rescue squads by utilizing the K-Means algorithm as a data clustering method. Using a data mining approach and the application of Knowledge Discovery in Database (KDD), this study analyzed 874 non-fire emergency service data collected in 2023-2024. The data analyzed included Location of incident, type of rescue, severity of incident, response time, and distribution of rescue squads. The research process started with converting the data into numerical format. The results showed the lowest DBI value of 0.080 with four optimal clusters, which improved the efficiency of rescue squad distribution.
Sistem Pakar Dengan Metode Certainty Factor Untuk Mengetahui Gaya Belajar Anak Usia Dini Areta Reza Pradana; Hanifah Permatasari; Afu Ichsan Pradana
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.103964

Abstract

Abstrak : Gaya belajar merupakan aspek penting dalam proses pembelajaran, terutama bagi anak usia dini yang berada pada tahap awal perkembangan kognitif. Identifikasi gaya belajar yang tepat dapat membantu pendidik dan orang tua dalam merancang metode pengajaran yang sesuai. Anak usia dini (0 - 6 tahun) masih berada dalam fase perkembangan awal, baik dari segi kognitif, motorik, bahasa, maupun sosial-emosional. Mereka belum mampu mengungkapkan preferensi belajar secara jelas, sehingga sulit untuk mengidentifikasi gaya belajarnya secara tepat. Penelitian ini bertujuan untuk menganalisis, merancang, dan membangun sistem p|ak|ar deng|an metode Cert|ainty F|actor untuk menget|ahui g|ay|a bel|aj|ar |an|ak usi|a dini. Sistem p|ak|ar b|aikny|a dilengk|api deng|an sebu|ah metode y|ang d|ap|at memberi nil|ai kep|asti|an p|ad|a output d|ari sebu|ah sistem, metode y|ang bis|a diter|apk|an d|al|am menghitung sebu|ah nil|ai ketid|akp|asti|an d|ari output sistem s|al|ah s|atuny|a |ad|al|ah metode CF (Cert|ainty F|actor). Deng|an metode CF ini penulis bis|a menentuk|an g|ay|a bel|aj|ar y|ang cocok untuk |an|ak usi|a dini. D|ari h|asil peneliti|an tersebut, metode Cert|ainty F|actor d|ap|at menghitung |at|au menentuk|an tingk|at su|atu nil|ai kep|asti|an d|ari g|ay|a bel|aj|ar |an|ak usi|a dini y|ang did|ap|at mel|alui seor|ang p|ak|ar. Sistem ini juga dapat digunakan sebagai media konsultasi mandiri, tanpa perlu keterlibatan langsung dari ahli psikologi pendidikan, sehingga lebih efisien dari segi waktu dan biaya. Berd|as|ark|an hasil penelitian terhadap salah satu gaya belajar pada anak, diperoleh nilai Certainty Factor (CF) sebagai berikut: gaya belajar visual 94,29%, auditori 94,10%, dan kinestetik 91,25%.==================================================Abstract : Learning style is an important aspect in the learning process, especially for early childhood who are in the early stages of cognitive development. Identifying the right learning style can help educators and parents in designing appropriate teaching methods. Early childhood (0 - 6 years) is still in the early developmental phase, both in terms of cognitive, motor, language, and social-emotional. They are not yet able to express their learning preferences clearly, making it difficult to identify their learning style precisely. This research aims to analyze, design, and build an expert system with the Certainty Factor method to determine the learning style of early childhood. An expert system should be equipped with a method that can give a certainty value to the output of a system, a method that can be applied in calculating an uncertainty value of system output is the CF (Certainty Factor) method. With this CF method, the author can determine the learning style that is suitable for early childhood. From the results of this study, the Certainty Factor method can calculate or determine the level of a certainty value of an early childhood learning style obtained through an expert. This system can also be used as an independent consultation media, without the need for direct involvement from educational psychology experts, making it more efficient in terms of time and cost. Based on the results of research on one of the learning styles in children, the Certainty Factor (CF) value is obtained as follows: visual learning style 94.29%, auditory 94.10%, and kinesthetic 91.25%.
Penerapan Metode Logistic Regression dalam Sistem Prediksi Risiko Stunting Anak Berbasis Web Rozakira Zulfa; Fadli Mahyudin; Arnawan Hasibuan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.106164

Abstract

Abstrak : Stunting merupakan masalah gizi kronis yang berdampak signifikan terhadap pertumbuhan dan perkembangan anak, khususnya pada periode 1000 hari pertama kehidupan. Penelitian ini mengembangkan sistem berbasis web untuk memprediksi risiko stunting pada anak menggunakan metode Logistic Regression. Dataset mencakup fitur seperti jenis kelamin, usia, berat dan panjang lahir, berat badan, panjang badan, serta status konsumsi ASI. Data diproses melalui tahapan cleaning dan preprocessing sebelum pelatihan model. Logistic Regression dipilih karena kemampuannya melakukan klasifikasi biner, yaitu stunting atau tidak. Penilaian model dilakukan dengan memanfaatkan metrik accuracy, precision, recall, dan AUC. Hasil eksperimen menunjukkan model mencapai accuracy 69,9%, precision 78,4%, recall 85,4%, dan AUC 0,94, sehingga dapat digunakan sebagai alat bantu untuk deteksi dini stunting. Sistem berbasis web ini memudahkan akses bagi tenaga kesehatan dan orang tua untuk memantau status gizi anak dan memberikan rekomendasi intervensi yang tepat. Temuan ini menunjukkan bahwa penerapan Logistic Regression efektif dalam mendukung pencegahan stunting secara lebih terarah.================================================Abstract : Stunting is a chronic nutritional problem that significantly affects children's growth and development, particularly during the first 1,000 days of life. This study develops a web-based system to predict the risk of stunting in children using the Logistic Regression method. The dataset includes features such as gender, age, birth weight and length, body weight and length, and breastfeeding status. The data were processed through cleaning and preprocessing stages before model training. Logistic Regression was chosen for its ability to perform binary classification, i.e., stunted or not stunted. The model was evaluated using accuracy, precision, recall, and AUC metrics. Experimental results show that the model achieved accuracy of 69.9%, precision of 78.4%, recall of 85.4%, and AUC of 0.94, indicating its potential as a tool for early detection of stunting. This web-based system facilitates access for healthcare workers and parents to monitor children's nutritional status and provide appropriate intervention recommendations. The findings demonstrate that Logistic Regression is effective in supporting more targeted stunting prevention efforts.
Sistem Prioritas Pembangunan Infrastruktur Kelurahan Berbasis Web Menggunakan Metode Analytical Hierarchy Proses Muhammad Eri Kusyairi; Ahmad Fahrudi Setiawan; Eko Heri Susanto
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.95565

Abstract

Abstrak : Dalam mengembangkan sistem pendukung keputusan berbasis web menggunakan metode Analytical Hierarchy Process (AHP). Sistem ini akan membantu pemangku kepentingan di Kelurahan Mojolangu, termasuk lurah, rukun tetangga, rukun warga, dan lembaga pemberdayaan masyarakat Kelurahan, menetapkan prioritas pembangunan dengan cara yang adil dan efektif. Urgensi, manfaat sosial, biaya proyek, manfaat keberlanjutan, dan dukungan masyarakat adalah beberapa faktor yang dipertimbangkan selama proses perhitungan. Selain itu, rasio konsistensi (CR = 0,072) digunakan untuk memverifikasi bahwa perhitungan adalah akurat. Pengujian dalam blackbox menunjukkan bahwa semua fitur berjalan sesuai ekspektasi. Metode Analytical Hierarchy Process (AHP) berhasil meningkatkan akurasi pengambilan keputusan hingga 85,91% dibandingkan metode manual. 82% peserta menilai sistem sebagai "Baik", 15% menilainya sebagai "Cukup", dan 3% menilainya sebagai "Kurang". Hasil ini menunjukkan bahwa dengan memberikan rekomendasi prioritas pembangunan yang lebih terstruktur, transparan, dan mudah dipahami, sistem dapat menggantikan proses manual=====================================================Abstract : In developing a web-based decision support system using the Analytical Hierarchy Process (AHP) method. The system will help stakeholders in Mojolangu Subdistrict, including the village head, neighborhood association, community association, and subdistrict community empowerment institutions, set development priorities in a fair and effective way. Urgency, social benefits, project costs, sustainability benefits, and community support are among the factors considered during the calculation process. In addition, a consistency ratio (CR = 0.072) was used to verify that the calculations were accurate. Blackbox testing showed that all features performed as expected. The Analytical Hierarchy Process (AHP) method successfully increased the decision-making accuracy to 85.91% compared to the manual method. 82% of participants rated the system as “Good”, 15% rated it as “Fair”, and 3% rated it as “Poor”. These results show that by providing more structured, transparent, and easy to understand development priority recommendations, the system can replace manual processes.
Penerapan Algoritma Additive Ratio Assessment untuk Rekomendasi Pendukung Keputusan Coffee Shop Terbaik di Kawasan Marapalam Padang Timur Budy Satria; Karimah Irsyadiyah; Devina Amanda Putri; Saskia Alifah; Arkan Ubaidillah Warman; Abdullah Al Ramadhani; Abdur Rohim; Sandi Fadilah
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.101774

Abstract

Abstrak : Coffee shop kini tumbuh cepat di banyak kota besar salah satunya di Kota Padang, Kelurahan Kubu Marapalam kecamatan Padang Timur. Banyak coffee shop baru muncul dengan ciri khas dan keunikan masing-masing, menciptakan persaingan ketat untuk memenuhi kebutuhan pelanggan. Tujuan penelitian ini adalah membuat rekomendasi pendukung keputusan mengetahui urutan prioritas coffee shop terbaik yang dipilih oleh konsumen. Metode penelitian yang digunakan adalah Additive Ratio Assessment (ARAS) sebanyak 6 data alternatif dan 6 data kriteria. Hasil penelitian yang diperoleh adalah Menza Barber & Coffee dengan nilai utilitas 1,00000 menjadi prioritas pilihan konsumen pada peringkat pertama, pada peringkat kedua yaitu Sukokopi Sutomo dengan nilai 0,96025 dan Kalinambah dengan nilai 0,83686 menjadi peringkat ketiga sehingga dapat direkomendasikan menjadi Coffee shop terbaik di Marapalam kecamatan Padang Timur. Pada penelitian selanjutnya, diharapkan bisa menambah variabel dan kriteria serta kombinasi algoritma untuk memperoleh hasil penelitian yang lebih baik.===================================================Abstract :Coffee shops are now growing rapidly in many big cities, one of which is in Padang City, Kubu Marapalam Village, Padang Timur District. Many new coffee shops have emerged with their own characteristics and uniqueness, creating fierce competition to meet customer needs. The purpose of this study is to make recommendations to support decisions to determine the priority order of the best coffee shops chosen by consumers. The research method used is Additive Ratio Assessment (ARAS) with 6 alternative data points and 6 criteria data points. The results of the study obtained are Menza Barber & Coffee with a utility value of 1.00000 as the consumer's priority choice in first place, in second place is Sukokopi Sutomo with a value of 0.96025 and Kalinambah x Meer with a value of 0.83686 is in third place so that it can be recommended as the best coffee shop in Marapalam, Padang Timur District. In further research, it is expected to add variables and criteria as well as a combination of algorithms to obtain better research results.
Analisis Komparatif Sentimen Negatif Pengguna Platform E-Commerce Shopee dan Tokopedia selama Periode Diskon Faris Syahrendra; Cahyani Ayu Sulistyawati; Ginting Wibi Prasetyo; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110824

Abstract

Abstrak : Fenomena potongan harga besar pada platform jual beli online sering kali menimbulkan kekecewaan bagi pengguna karena masalah dalam layanan, harga, dan pengiriman. Studi ini bertujuan untuk menganalisis dan membandingkan perasaan pengguna terhadap Shopee dan Tokopedia selama masa promosi dengan cara menggunakan pendekatan machine learning. Data ulasan diambil dari Google Play Store, yang terdiri dari 929 ulasan untuk Shopee dan 1.111 ulasan untuk Tokopedia. Dua algoritma untuk klasifikasi sentimen, yaitu Naive Bayes dan Neural Network, diimplementasikan dan dievaluasi dengan metode validasi silang 10-fold. Temuan yang berasal dari penilaian analitis menunjukkan bahwa model Naive Bayes menunjukkan tingkat akurasi dan presisi tertinggi yaitu 91,0%, sementara Neural Network memperoleh 83,9%. Selain itu, ulasan positif mendominasi sentimen terhadap Shopee (70%), sedangkan Tokopedia lebih banyak diwarnai oleh sentimen negatif (60%). Penemuan ini menandakan bahwa pengguna lebih puas dengan pengalaman diskon di Shopee dan memberikan masukan strategis untuk peningkatan layanan e-commerce.===============================================Abstract :Large-scale discount events on e-commerce platforms often lead to user disappointment due to issues with service, pricing, and delivery. This study aims to analyze and compare user sentiment towards Shopee and Tokopedia during promotional periods using a machine learning approach. Review data were sourced from the Google Play Store, consisting of 929 reviews for Shopee and 1,111 for Tokopedia. Two algorithms for sentiment classification, namely Naive Bayes and Neural Network, were implemented and evaluated using the 10-fold cross-validation method. Findings from analytical assessments indicate that the Naive Bayes model demonstrates the highest level of accuracy and precision at 91.0%, while the Neural Network obtained 83.9%. Furthermore, positive reviews dominated the sentiment towards Shopee (70%), whereas Tokopedia was largely characterized by negative sentiment (60%). These findings indicate that users are more satisfied with the discount experience on Shopee and provide strategic input for the improvement of e-commerce services.
Sistem Pakar Diagnosa Kerusakan Laptop Berbasis Forward Chaining Dan Certainty Factor Yogi Ainur Rofiq Anggara; Suryo Adi Wibowo; Yosep Agus Pranoto
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.95556

Abstract

Abstrak : Penelitian ini bertujuan mendiagnosa kerusakan laptop dengan menggunakan sistem pakar berbasis web yang menggabungkan metode Forward Chaining dan Certainty Factor. Ketika laptop mengalami kerusakan perangkat keras, laptop sering kali tidak dapat digunakan dan memerlukan perbaikan. Karena proses diagnosis teknisi terkadang membutuhkan waktu yang lama untuk menentukan diagnosis kerusakan, maka diperlukan sebuah sistem yang dapat membantu dalam mendeteksi kerusakan. Teknisi dapat menilai seberapa yakin mereka terhadap temuan diagnosis kerusakan komponen laptop dengan menggunakan metode Forward Chaining untuk memproses diagnosis dan Certainty Factor untuk menghasilkan tingkat kepastian diagnosis. Berdasarkan hasil implementasi dan pengujian, sistem ini memperoleh hasil pengujian metode validasi selisih hasil kurang dari 1% , dapat diartikan sistem aplikasi berhasil menerapkan metode forward chaining dan certainty factor diagnosa kerusakan laptop dengan hasil selisih validasi yang kecil kurang dari 1%. Dengan demikian, sistem pakar ini tidak hanya membantu teknisi mempercepat proses identifikasi kerusakan laptop, tetapi juga memberikan tingkat presentase pada kerusakan yang terdiagnosis.=====================================================Abstract :This research aims to diagnose laptop damage using a web-based expert system that combines the Forward Chaining and Certainty Factor methods. When a laptop experiences hardware damage, it is often unusable and requires repair. Because the technician's diagnosis process sometimes takes a long time to determine the diagnosis of damage, a system is needed that can assist in detecting damage. Technicians can assess how confident they are in the findings of the diagnosis of laptop component damage by using the Forward Chaining method to process the diagnosis and the Certainty Factor to generate the level of certainty of the diagnosis. Based on the results of implementation and testing, this system obtained a validation method test result difference of less than 1%, which means that the application system successfully applies the forward chaining method and certainty factor to diagnose laptop damage with the results of a small validation difference of less than 1%. Thus, this expert system not only helps technicians speed up the process of identifying laptop damage, but also provides a percentage level on diagnosed damage.
Prediksi Persediaan Penjualan Kacamata Pada Optik XYZ Menggunakan Metode Double Exponential Smoothing Agnus Dei Dharma Prawira; Sentot Achmadi; Agung Panji Sasmito
IJAI (Indonesian Journal of Applied Informatics) Vol 9, No 2 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v9i2.98396

Abstract

Abstrak : Perkembangan pesat dari teknologi membawa dampak yang positif maupun negatif bagi masyarakat, salah satu dampak negatif tersebut adalah penurunan daya penglihatan akibat radiasi sinar biru dari perangkat elektronik yang mengakibatkan penggunaan kacamata menjadi sesuatu yang penting. Hal tersebut membuat industri optik, seperti Optik XYZ yang berada di Kota Malang mengalami perkembangan yang sangat signifikan beriringan dengan kepedulian masyarakat akan kesehatan mata. Namun Optik XYZ dihadapi dengan tantangan dalam melakukan prediksi penjualan karena tidak ada sistem yang memadai, mengakibatkan kekurangan dan kelebihan pada persediaan penjualan, hal tersebut berdampak pada tingkat kepuasan pelanggan dan manajemen modal. Penelitian ini bertujuan untuk membangun sistem prediksi persediaan penjualan dengan menggunakan metode Double Exponential Smoothing (DES) berdasarkan data penjualan historis pada 1 Januari 2022 sampai dengan 31 Oktober 2024. Hasil penelitian ini menunjukkan bahwa sistem yang dibangun mampu meramalkan penjualan produk per hari dengan alpha optimal yaitu 0,1 berdasarkan nilai Mean Absolute Error (MAE) terkecil yaitu sebesar 0,915 untuk produk frame dengan nilai prediksi 1. Pada sistem yang dibangun juga telah dilakukan pengujian kompatibilitas, blackbox, dan pengguna dimana menghasilkan sistem dapat dijalankan tanpa kendala pada Safari, Google Chrome, dan Mozila Firefox====================================================Abstract : The rapid development of technology has both positive and negative impacts on society, one of the negative impacts is decreased vision due to blue light radiation from electronic devices which makes the use of glasses something important. This makes the optical industry, such as Optik XYZ in Malang City, experience very significant development along with public concern for eye health. However, Optik XYZ is faced with challenges in making sales predictions because there is no adequate system, resulting in shortages and excesses in sales inventory, this has an impact on customer satisfaction levels and capital management. This study aims to build a sales inventory prediction system using the Double Exponential Smoothing (DES) method based on historical sales data from January 1, 2022 to October 31, 2024. The results of this study indicate that the system built is able to predict product sales per day with an optimal alpha of 0.1 based on the smallest Mean Absolute Error (MAE) value of 0.915 for frame products with a prediction value of 1. Compatibility, blackbox, and user testing have also been carried out on the system built, which results in the system being able to run without problems on Safari, Google Chrome, and Mozilla Firefox.
Perbandingan Algoritma Machine Learning untuk Klasifikasi Risiko Penyakit Paru Berdasarkan Data Diagnostik Pasien Alwan Kapi Muntaha; Kevin Dwi Satria; Desiana Nuranudin Putri; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110867

Abstract

Abstrak : Penyakit paru-paru termasuk salah satu faktor utama penyebab tingginya angka kematian di seluruh dunia. Kondisi ini terjadi karena penyakit paru-paru sering kali sulit terdeteksi pada tahap awal akibat gejalanya yang tidak spesifik. Perkembangan teknologi machine learning memberikan peluang untuk membantu proses diagnosis secara otomatis dengan memanfaatkan data diagnostik pasien. Penelitian ini bertujuan untuk mengklasifikasikan risiko penyakit paru menggunakan berbagai algoritma machine learning pada aplikasi Orange3, serta menentukan model dengan akurasi terbaik. Dataset yang digunakan terdiri dari 5.000 data pasien dengan 18 atribut yang mencakup faktor demografis, gaya hidup, riwayat medis, dan kondisi klinis seperti kadar oksigen, tingkat stres, dan kebiasaan merokok. Lima algoritma diuji, yaitu iDecision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), dan Neural Network. Hasil pengujian menunjukkan bahwa Neural Network menghasilkan nilai akurasi tertinggi sebesar 89,15%, diikuti oleh Decision Tree (85,12%) dan Naïve Bayes (83,63%). Temuan ini membuktikan bahwa Neural Network lebih unggul dalam mengenali pola kompleks antarvariabel dan mampu memberikan prediksi yang lebih akurat. Dengan demikian, penelitian ini menegaskan potensi penerapan machine learning berbasis data diagnostik non-citra sebagai sistem pendukung keputusan untuk diagnosis dini penyakit paru.=================================================Abstract : Lung disease is a major contributing factor to high mortality rates worldwide. This is because lung disease is often difficult to detect in its early stages due to its nonspecific symptoms. The development of machine learning technology provides an opportunity to assist the automated diagnosis process by utilizing patient diagnostic data. This study aims to classify the risk of lung disease using various machine learning algorithms in the Orange3 application, and determine the model with the best accuracy. The dataset used consists of 5,000 patient data with 18 attributes covering demographic factors, lifestyle, medical history, and clinical conditions such as oxygen levels, stress levels, and smoking habits. Five algorithms were tested: Decision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), and Neural Network. The test results showed that Neural Network produced the highest accuracy value of 89.15%, followed by Decision Tree (85.12%) and Naïve Bayes (83.63%). These findings prove that Neural Network is superior in recognizing complex patterns between variables and is able to provide more accurate predictions. Thus, this study confirms the potential of applying machine learning based on non-image diagnostic data as a decision support system for early diagnosis of lung disease.
Back Matter IJAI Back Matter IJAI
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.114893

Abstract

Page 21 of 22 | Total Record : 213

 18   19   20   21   22 

Filter by Year

2016 2025


Reset
Filter By Issues
All Issue Vol 10, No 1 (2025) Vol 9, No 2 (2025) Vol 9, No 1 (2024) Vol 8, No 2 (2024) Vol 8, No 1 (2023) Vol 7, No 2 (2023) Vol 7, No 1 (2022) Vol 6, No 2 (2022) Vol 6, No 1 (2021) Vol 5, No 2 (2021) Vol 5, No 1 (2020) Vol 4, No 2 (2020) Vol 4, No 1 (2019) Vol 3, No 2 (2019) Vol 3, No 1 (2018) Vol 2, No 2 (2018) Vol 2, No 1 (2017) Vol 1, No 2 (2017) Vol 1, No 1 (2016) More Issue