Article Per Year (5 Year)
p-Index From 2019 - 2024
3.229
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal Information System Development JURNAL TEKNOLOGI DAN ILMU KOMPUTER PRIMA (JUTIKOMP) METIK JURNAL REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Pengabdian kepada Masyarakat Nusantara DEVICE Jurnal Sains Teknologi dan Sistem Informasi Jurnal Pengabdian Kepada Masyarakat Prosiding Konferensi Nasional PKM-CSR Jurnal Sains dan Teknologi Jurnal Pengabdian Masyarakat Bidang Sains dan Teknologi SATIN - Sains dan Teknologi Informasi
Pangaribuan, Jefri Junifer
Universitas Pelita Harapan
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Transportation Veterinary Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 25 Documents
Search

 1   2   3 
MENDIAGNOSIS PENYAKIT DIABETES MELITUS DENGAN MENGGUNAKAN METODE EXTREME LEARNING MACHINE Pangaribuan, Jefri Junifer
Journal Information System Development (ISD) Vol 1, No 2 (2016): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

ABSTRAK Pada tahun 2010 lalu, World Health Organization (WHO) lewat Global Status Report melaporkan bahwa 60 persen penyebab kematian semua umur di dunia adalah karena penyakit tidak menular, dan salah satu penyakit tidak menular yang menyita banyak perhatian adalah diabetes melitus. Diperkirakan pada tahun 2030 mendatang Indonesia akan memiliki 21.3 juta jiwa penyandang penyakit tertua di dunia ini. Peningkatan jumlah diabetes disebabkan terlambatnya diagnosis penyakit tersebut. Oleh karena itu, diperlukan suatu ramalan baru yang dapat menjadi alat bantu dalam penentuan apakah seseorang menderita diabetes atau tidak. Begitu banyak metode yang digunakan untuk menghasilkan ramalan yang akurat, salah satunya adalah metode jaringan saraf tiruan. Penelitian ini akan mengimplementasikan suatu metode baru dari jaringan saraf tiruan yaitu Extreme Learing Machine (ELM). ELM merupakan jaringan saraf tiruan feed-forward dengan satu atau lebih hidden layer yang dikenal dengan istilah single hiden layer feed-forward neural. Berdasarkan hasil eksperimen yang dilakukan, terlihat bahwa metode ELM mampu memberikan hasil akurasi prediksi yang baik dengan kecepatan prediksi yang sangat baik. Kata kunci: diagnosa, diabetes melitus, jaringan saraf tiruan, extreme learning machine
PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM Pangaribuan, Jefri Junifer; Lestari, Megawaty
Journal Information System Development (ISD) Vol 5, No 1 (2020): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.
Prediksi Video Performance Akun Youtube Buzzfeed Menggunakan Metode Naïve Bayes Pangaribuan, Jefri Junifer; Leonie, Valerie
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 5 No. 1 (2020): Remik Volume 5 Nomor 1 Oktober 2020
Publisher : Politeknik Ganesha Medan

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

Abstract

Selama beberapa tahun terakhir, perkembangan media sosial sangat pesat sehingga mencakup hampir seluruh aspek kehidupan manusia. Dengan berkembangnya media sosial ini, tentu saja hiburan dan teknologi ikut berkembang beriringan bersamanya. Orang-orang sekarang mencari kesenangan besosialisasi dan berbagi segala sesuatunya melalui internet, salah satunya melalui video dan disebarkan melalui Youtube. Hal ini mendorong banyak orang sekarang menjadikan platform tersebut sebagai media untuk mata pencaharian mereka, salah satunya adalah Buzzfeed. Oleh karena itu diperlukan penelitian mengenai performa video-video tersebut untuk mengetahui bagaimana perkembangan akun Youtube tersebut kedepannya. Dari sekian banyak metode untuk memprediksi performa video-video tersebut, digunakanlah metode Naive Bayes. Metode ini digunakan karena merupakan metode yang mudah serta cepat, serta dapat bekerja dengan jumlah data yang sedikit. Pengumpulan data dilakukan dengan teknik dokumentasi, dengan mengumpulkan semua data-data yang ada pada akun Youtube Buzzfeed dan kemudian diolah sesuai keperluan penelitian. Total data yang dikumpulkan selama setahun yaitu pada tahun 2019 mencapai 772 data yang kemudian dikelola menggunakan software Rapid Miner menggunakan metode Naive Bayes. Kemudian dari penelitian ini dapat disimpulkan bahwa Naive Bayes memiliki akurasi total yang cukup baik yaitu 86.01%, dengan class recall untuk kelas rendah sebesar 91.21%, dan kelas sedang dan tinggi sebesar 0%, sedangkan class precision untuk prediksi kelas rendah sebesar 94.32% dan kelas sedang dan tinggi sebesar 0%. Hal ini dikarenakan minimnya variasi data dengan kelas sedang dan tinggi sehingga algoritma masih sulit untuk memprediksi dengan tepat kelas dengan nilai sedang dan tinggi tersebut.
ANALISIS MURID DALAM PELAJARAN DESIGN DENGAN MENGGUNAKAN NAÏVE BAYES Pangaribuan, Jefri Junifer; Ferawaty, Ferawaty
Sinkron : jurnal dan penelitian teknik informatika Vol. 5 No. 2 (2021): Article Research Volume 5 Number 2, April 2021
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v5i2.10726

Abstract

Students' interest in a field is usually seen from the grades resulting from students' learning in the classroom. This is a common thing for parents and teachers to do. In the research conducted by researchers this time is in the field of design studied by students in the classroom in one semester, namely the subjects Photoshop and CorelDraw. The grades taken are grades that include the value of theory, practical grades, assignments, and quiz assignments obtained by students in the classroom. The four grades will be calculated until they get a provision on whether or not the student graduates in the subject. These values will be studied by researchers using the Naïve Bayes method, so that it can be known how much can be said to pass in this design lesson. Researchers conducted research using Rapid Miner program, where the data will be divided into 2 parts, namely by using some existing data as learning samples and the rest as test data. The results obtained from the experiment were 146 students graduated in the field of design, and 119 students failed. This suggests the experiment using the Naïve Bayes method was successful if the experiment data was entered a lot
Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression Pangaribuan, Jefri Junifer; Tanjaya, Henry; Kenichi, Kenichi
Journal Information System Development (ISD) Vol 6, No 2 (2021): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Penyakit Jantung atau disebut juga penyakit kardiovaskular merupakan salah salah satu penyakit berbahaya yang dapat menyebabkan kematian. Seiring berkembangnya teknologi dan peningkatan popularitas teknologi machine learning, teknologi machine learning tersebut dapat digunakan untuk membantu mendeteksi penyakit jantung dengan menggunakan data pasien. Terdapat berbagai jenis metode yang dapat digunakan untuk mendiagnosa apakah seseorang terkena penyakit jantung atau tidak. Penelitian ini mengimplementasikan penggunaan algoritma yaitu logistic regression, dimana algoritma tersebut memakai fungsi logistik untuk menghasilkan binary atau nol dan satu sebagai penentuan klasifikasi. Setelah eksperimen dilakukan dengan algoritma logistik regresi memberikan hasil yang memiliki keunggulan yang berbeda beda terhadap metode lainnya berdasarkan model analisa confusius matrix.
KOMPARASI TINGKAT AKURASI RANDOM FOREST DAN KNN UNTUK MENDIAGNOSIS PENYAKIT KANKER PAYUDARA Pangaribuan, Jefri Junifer; Angkasa, Vincent

Publisher :

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

Abstract

Abstract – Breast cancer is a cancer that is formed on breast cells. According to Observatory, breast cancer contributed 30.8% for death in all-ages woman that is caused by cancer in 2020. This research uses breast cancer data set to increase awareness and knowledge about breast cancer because the awareness of breast cancer should be public knowledge. KNN is often used for classification. Random Forest is versatile and can be used without tuning to give good result. Previous research indicates SVM has 96.47% of accuracy, Neural Network 97.06%, Naive Bayes 91.18%. The data set is from Kaggle. With the diagnosis of ‘M’ for malignant and ‘B’ for benign. The data set consists of 569 data and 33 columns in which 31 columns are used. Seventy-five percent of the data is the training data. This research concludes that KNN achieves a ROC score of 0.9959 while Random Forest produces 0.9951.Keywords: Breast Cancer, KNN, Random Forest                          Abstrak – Kanker payudara adalah kanker yang terbentuk di sel-sel bagian payudara. Menurut data dari Observatory kanker payudara berkontribusi sebanyak 30,8% untuk kematian penyakit kanker pada wanita untuk semua usia pada tahun 2020. Penelitian ini memakai data set kanker payudara untuk menambah kesadaran, karena, kesadaran akan kanker payudara itu penting dan seharusnya menjadi ilmu pengetahuan umum. Algoritma KNN sering digunakan untuk kasus klasifikasi dan Random Forest memiliki sifat versatile dan tanpa di-tune dapat memberikan akurasi yang bagus dalam klasifikasi. Dari penelitian sebelumnya, SVM memiliki 96.47% accuracy, Neural Network sebanyak 97,06%, dan Naive Bayes 91,18% accuracy. Ppenelitian ini peneliti memiliki ketertarikan untuk membandingkan kedua algoritma dengan ROC curve. Sumber data berasal dari Kaggle. Diagnosis ‘M’ (malignant) dan ‘B’ (benign). Terdiri dari 569 data dan 33 kolom. Data training sebesar 75% dan memakai 31 kolom. Dari penelitian ini dapat disimpulkan nilai ROC yang dimiliki oleh KNN adalah sebesar 0.9959 dan Random Forest sebesar 0.9951.Kata Kunci: Kanker Payudara, KNN, Random Forest
KOMPARASI TINGKAT AKURASI RANDOM FOREST DAN KNN UNTUK MENDIAGNOSIS PENYAKIT KANKER PAYUDARA Jefri Junifer Pangaribuan; Vincent Angkasa
Journal Information System Development (ISD) Vol 7 No 1 (2022): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Abstract – Breast cancer is a cancer that is formed on breast cells. According to Observatory, breast cancer contributed 30.8% for death in all-ages woman that is caused by cancer in 2020. This research uses breast cancer data set to increase awareness and knowledge about breast cancer because the awareness of breast cancer should be public knowledge. KNN is often used for classification. Random Forest is versatile and can be used without tuning to give good result. Previous research indicates SVM has 96.47% of accuracy, Neural Network 97.06%, Naive Bayes 91.18%. The data set is from Kaggle. With the diagnosis of ‘M’ for malignant and ‘B’ for benign. The data set consists of 569 data and 33 columns in which 31 columns are used. Seventy-five percent of the data is the training data. This research concludes that KNN achieves a ROC score of 0.9959 while Random Forest produces 0.9951.Keywords: Breast Cancer, KNN, Random Forest                          Abstrak – Kanker payudara adalah kanker yang terbentuk di sel-sel bagian payudara. Menurut data dari Observatory kanker payudara berkontribusi sebanyak 30,8% untuk kematian penyakit kanker pada wanita untuk semua usia pada tahun 2020. Penelitian ini memakai data set kanker payudara untuk menambah kesadaran, karena, kesadaran akan kanker payudara itu penting dan seharusnya menjadi ilmu pengetahuan umum. Algoritma KNN sering digunakan untuk kasus klasifikasi dan Random Forest memiliki sifat versatile dan tanpa di-tune dapat memberikan akurasi yang bagus dalam klasifikasi. Dari penelitian sebelumnya, SVM memiliki 96.47% accuracy, Neural Network sebanyak 97,06%, dan Naive Bayes 91,18% accuracy. Ppenelitian ini peneliti memiliki ketertarikan untuk membandingkan kedua algoritma dengan ROC curve. Sumber data berasal dari Kaggle. Diagnosis ‘M’ (malignant) dan ‘B’ (benign). Terdiri dari 569 data dan 33 kolom. Data training sebesar 75% dan memakai 31 kolom. Dari penelitian ini dapat disimpulkan nilai ROC yang dimiliki oleh KNN adalah sebesar 0.9959 dan Random Forest sebesar 0.9951.Kata Kunci: Kanker Payudara, KNN, Random Forest
Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression Jefri Junifer Pangaribuan; Henry Tanjaya; Kenichi Kenichi
Journal Information System Development (ISD) Vol 6 No 2 (2021): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Penyakit Jantung atau disebut juga penyakit kardiovaskular merupakan salah salah satu penyakit berbahaya yang dapat menyebabkan kematian. Seiring berkembangnya teknologi dan peningkatan popularitas teknologi machine learning, teknologi machine learning tersebut dapat digunakan untuk membantu mendeteksi penyakit jantung dengan menggunakan data pasien. Terdapat berbagai jenis metode yang dapat digunakan untuk mendiagnosa apakah seseorang terkena penyakit jantung atau tidak. Penelitian ini mengimplementasikan penggunaan algoritma yaitu logistic regression, dimana algoritma tersebut memakai fungsi logistik untuk menghasilkan binary atau nol dan satu sebagai penentuan klasifikasi. Setelah eksperimen dilakukan dengan algoritma logistik regresi memberikan hasil yang memiliki keunggulan yang berbeda beda terhadap metode lainnya berdasarkan model analisa confusius matrix.
MENDIAGNOSIS PENYAKIT DIABETES MELITUS DENGAN MENGGUNAKAN METODE EXTREME LEARNING MACHINE Jefri Junifer Pangaribuan
Journal Information System Development Vol 1, No 2 (2016): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

ABSTRAK Pada tahun 2010 lalu, World Health Organization (WHO) lewat Global Status Report melaporkan bahwa 60 persen penyebab kematian semua umur di dunia adalah karena penyakit tidak menular, dan salah satu penyakit tidak menular yang menyita banyak perhatian adalah diabetes melitus. Diperkirakan pada tahun 2030 mendatang Indonesia akan memiliki 21.3 juta jiwa penyandang penyakit tertua di dunia ini. Peningkatan jumlah diabetes disebabkan terlambatnya diagnosis penyakit tersebut. Oleh karena itu, diperlukan suatu ramalan baru yang dapat menjadi alat bantu dalam penentuan apakah seseorang menderita diabetes atau tidak. Begitu banyak metode yang digunakan untuk menghasilkan ramalan yang akurat, salah satunya adalah metode jaringan saraf tiruan. Penelitian ini akan mengimplementasikan suatu metode baru dari jaringan saraf tiruan yaitu Extreme Learing Machine (ELM). ELM merupakan jaringan saraf tiruan feed-forward dengan satu atau lebih hidden layer yang dikenal dengan istilah single hiden layer feed-forward neural. Berdasarkan hasil eksperimen yang dilakukan, terlihat bahwa metode ELM mampu memberikan hasil akurasi prediksi yang baik dengan kecepatan prediksi yang sangat baik. Kata kunci: diagnosa, diabetes melitus, jaringan saraf tiruan, extreme learning machine
PERBANDINGAN METODE MOVING AVERAGE (MA) DAN NEURAL NETWORK YANG BERBASIS ALGORITMA BACKPROPAGATION DALAM PREDIKSI HARGA SAHAM Jefri Junifer Pangaribuan; Megawaty Lestari
Journal Information System Development Vol 5, No 1 (2020): Journal Information System Development (ISD)
Publisher : UNIVERSITAS PELITA HARAPAN

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

Abstract

Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error, maka nilai akurasinya semakin baik. Semakin kecil target error, maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation. Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neural Network algoritma Backpropagation, dimana tingkat akurasi untuk Moving Average (MA) adalah 80,11% dan untuk Neural Network algoritma Backpropagation adalah 78,91%.
Co-Authors Ade Maulana Angkasa, Vincent Barus, Okky Putra Calista Chandra Chilwin Chilwin Chilwin Erick Suliegna Erlanie Sufarnap Faisal Nadjar Ferawaty, Ferawaty Henry Tanjaya Iskandar Muda Jaclyn Tjuarsa Jovita Zesty Jusin Jusin Jusin Kenichi Kenichi Kenichi, Kenichi Leonie, Valerie Lestari, Megawaty Megawaty Lestari Mirza Ilhami Muhammad Thafa Kurniawan Okky Barus Reynaldo Fang Ricky Ricky Ricky Robin - Romindo Romindo Romindo Sabrina Jovanka Sabrina Jovanka Shendy Dennison Shendy Dennison Sherin Karisa Tanjaya, Henry Vincent Angkasa Yudhistira A. Pratama Yudhistira Adhitya Pratama