Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

4.637

P-Index

This Author published in this journals

All Journal Techno.Com: Jurnal Teknologi Informasi Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Jurnal Teknik Elektro Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Sistem dan Informatika InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) Sistemasi: Jurnal Sistem Informasi Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Tekno Kompak Jurnal Abdidas Jurnal SASAK : Desain Visual dan Komunikasi Jurnal Bumigora Information Technology (BITe) ADMA: Jurnal Pengabdian dan Pemberdayaan Masyarakat International Journal of Engineering and Computer Science Applications (IJECSA) Valid Jurnal Pengabdian

Hairani Hairani

Universitas Bumigora, Mataram, Indonesia

Author-ID : 2377224

Arts Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Languange, Linguistic, Communication & Media Mathematics Nursing Public Health Social Sciences Other

Published : 34 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4

Kombinasi Metode Correlated Naive Bayes dan Metode Seleksi Fitur Wrapper untuk Klasifikasi Data Kesehatan Hairani, Hairani; Innuddin, Muhammad
Jurnal Teknik Elektro Vol 11, No 2 (2019): Jurnal Teknik Elektro
Publisher : Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/jte.v11i2.23693

Most features of health data that have many irrelevant features can reduce the performance of classification method. One health data that has many attributes is the Pima Indian Diabetes dataset and Thyroid. Diabetes is a deadly disease caused by the increasing of blood sugar because of the body's inability to produce enough insulin and its complications can lead to heart attacks and strokes. The purpose of this research is to do a combination of Correlated NaÃƒÂ¯ve Bayes method and Wrapper-based feature selection to classification of health data. The stages of this research consist of several stages, namely; (1) the collection of Pima Indian Diabetes and Thyroid dataset from UCI Machine Learning Repository, (2) pre-processing data such as transformation, Scaling, and Wrapper-based feature selection, (3) classification using the Correlated Naive Bayes and Naive Bayes methods, and (4) performance test based on its accuracy using the 10-fold cross validation method. Based on the results, the combination of Correlated Naive Bayes method and Wrapper-based feature selection get the best accuracy for both datasets used. For Pima Indian Diabetes dataset, the accuracy is 71,4% and the Thyroid dataset accuracy is 79,38%. Thus, the combination of Correlated NaÃƒÂ¯ve Bayes method and Wrapper-based feature selection result in better accuracy without feature selection with an increase of 4,1% for Pima Indian Diabetes dataset and 0,48% for the Thyroid dataset.

Metode Dempster-Shafer untuk Diagnosis Dini Jenis Penyakit Gangguan Jiwa Skizofrenia Berbasis Sistem Pakar Hairani Hairani; Kurniawan Kurniawan; Kurniadin Abd Latif; Muhammad Innuddin
Sistemasi: Jurnal Sistem Informasi Vol 10, No 2 (2021): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

AbstrakSkizofrenia merupakan jenis gangguan jiwa bersifat kronis yang mempengaruhi proses berpikir, merasakan, dan berprilaku baik bagi penderitanya. Permasalahan selama ini adalah sebagian masyarakat umum merasa malu untuk melakukan pemeriksaan langsung ke rumah sakit kejiwaan, karena masih ada stigma negatif masyarakat. Tidak hanya itu, biaya konsultasi dengan dokter spesialis kejiwaan yang tidak murah menjadi salah satu faktor untuk tidak memeriksakan dirinya. Padahal deteksi dini jenis skizofrenia sangat diperlukan agar diberikan penaganan cepat dan tepat, sehingga minimalisir terjadinya kondisi yang lebih parah. Solusinya adalah menggunakan konsep sistem pakar menggunakan metode dempster shafer untuk diagnosis jenis penyakit skizofrenia. Tahapan penelitian ini terdiri dari akuisisi pengetahuan, perancangan tabel keputusan, implementasi, dan pengujian akurasi. Pengembangan sistem pakar diagnosis penyakit skizofrenia menggunakan metode dempster shafer untuk memudahkan masyarakat umum (pasien) untuk mengetahui jenis penyakit skizofrenia yang diderita beserta tingkat keyakinannya tanpa harus pergi ke dokter spesialis kejiwaan. Berdasarkan hasil pengujian yang telah dilakukan menggunakan 12 data, metode dempster shafer mendapatkan akurasi 100%. Dengan demikian, metode dempster shafer dapat digunakan untuk diagnosis jenis penyakit skizofrenia.Kata Kunci: Dempster Shafer, Skizofrenia, Sistem Pakar AbstractSchizophrenia is a type of chronic mental disorder that affects the sufferer's thinking, feeling, and behavior processes. The problem so far is that some of general public feel ashamed to conduct a direct examination at a mental hospital, because there is still a negative stigma from the community. Not only that, cost of consulting with a psychiatric specialist is not cheap to be a factor for not having him checked out. In fact, early detection of this type of schizophrenia is needed so that it is given fast and precise treatment, so as to minimize the occurrence of more severe conditions. The solution is to use the concept of an expert system using dempster shafer method for diagnosis of schizophrenia. The stages of this research consisted of knowledge acquisition, decision table design, implementation, and accuracy testing. Development of an expert system for diagnosing schizophrenia using dempster shafer method to make it easier for the general public (patients) to find out type of schizophrenia that is being suffered and their level of confidence without having to go to a psychiatric specialist. Based on the results of tests that have been carried out using 12 data, dempster shafer method gets 100% accuracy. Thus, dempster shafer method can be used for diagnosis of schizophrenia.Keywords: Dempster Shafer, Skizofrenia, Expert System

Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra Muhammad Zulfikri; Hairani Hairani; Ahmad Ahmad; Kurniadin Abd. Latif; Rifqi Hammad; Moch. Syahrir
Techno.Com Vol 20, No 3 (2021): Agustus 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i3.4588

Deteksi objek berbasis pengolahan citra digital pada kendaraan sangat penting untuk diterapkan dalam membangun sistem pengawasan atau sebagai metode alternatif dalam mengumpulkan data statistik untuk pengambilan keputusan rekaya lalu lintas yang efisien. Pada penilitian ini, dibuat sistem deteksi kendaraan berbasis video lalu lintas untuk jenis kendaraan tertentu dengan menggunakan Haar Cascade Classifier dan estimasi kecepatan kendaraan dilakukan dengan menghitung perbedaan waktu pada Region of Interest (ROI) yang telah ditentukan dan hasilnya akan ditampilkan pada Radar Speed Design. Pengujian dilakukan dengan 5 video pengujian. Hasil yang didapatkan dari deteksi kendaraan yaitu nilai rata-rata recall 0.988 dan presisi 0.97 dan dari perhitungan kecepatan didapatkan nilai Mean Squared Error (MSE) yaitu 0,6.

Peningkatan Konerja Metode SVM Menggunakan Metode KNN Imputasi dan K-Means-Smote untuk Klasifikasi Kelulusan Mahasiswa Universitas Bumigora Hairani Hairani
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021843428

Salah satu permasalahan utama Universitas Bumigora adalah rasio antara mahasiswa yang masuk dengan mahasiswa lulus tepat waktu tidak seimbang, sehingga akan mengakibatkan penurunan penilaian akreditasi dikemudian hari. Salah satu indikator penilaian dalam proses akreditasi adalah rasio kelulusan mahasiswa. Data kelulusan mahasiswa yang tersimpan pada basisdata kampus, tetapi belum dimanfaatkan dengan maksimal. Dengan memanfaatkan data kelulusan mahasiswa dapat mengetahui pattern atau pola-pola mahasiswa yang lulus tepat waktu atau tidak, sehingga dapat minimalisir terjadinya mahasiswa yang drop out. Tidak hanya itu, pengambil keputusan dapat dimudahkan membuat kebijakan secara dini untuk membantu mahasiswa yang berpotensi drop out dan lulus tidak tepat waktu. Solusi yang ditawarkan pada penelitian ini adalah menggunakan teknik data mining. Salah satu metode data mining yang digunakan penelitian ini adalah metode SVM. Adapun tujuan penelitian ini adalah meningkatkan kinerja metode SVM untuk klasifikasi kelulusan mahasiswa Universitas Bumigora menggunakan metode KNN Imputasi dan K-Means-Smote. Penelitian ini terdiri dari beberapa tahapan yaitu pengumpulan data kelulusan mahasiswa, pra-pengolahan seperti penanganan nilai hilang menggunakan metode KNNI, penanganan ketidakseimbangan kelas menggunakan K-Means-Smote, klasifikasi menggunakan metode SVM. Tahapan terakhir adalah pengujian kinerja SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure. Berdasarkan hasil pengujian yang telah dilakukan, integrasi metode KNNI, K-Means-Smote, dan SVM mendapatkan akurasi 83.9%, sensitivitas 81.3%, spesifisitas 86.6%, dan f-measure 83.5%. Penggunaan metode KNNI dan K-Means-Smote dapat meningkatkan kinerja metode SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure. Abstract One of the main problems of Bumigora University is the ratio between incoming students and students graduating on time is not balanced, so that it will result in a decrease in accreditation assessment in the future. One of the assessment indicators in the accreditation process is the student graduation ratio. Student graduation data stored in the campus database, but has not been maximally utilized. By utilizing graduation data, students can find out patterns or patterns of students who graduate on time or not, so as to minimize the occurrence of students who drop out. Not only that, decision makers can make it easier to make policies early to help students who have the potential to drop out and not graduate on time. The solution offered in this research is to use data mining techniques. One of the data mining methods used in this study is the SVM method. The purpose of this study is to improve the performance of the SVM method for the classification of Bumigora University graduation students using the KNN Imputation and K-Means-Smote methods. This research consists of several stages, namely the collection of student graduation data, pre-processing such as handling missing values using KNNI method, handling class imbalances using K-Means-Smote, classification the SVM method. The last stage is testing SVM performance based on accuracy, sensitivity, specificity, and f-measure. Based on the results of test that have been carried out, the integration of the KNNI, K-Means-Smote, and SVM method get an accuracy of 83.9%, sensitivity 81.3%, specificity 86.6%, and f-measure 83.5%. The use of KNNI and K-Means-Smote method can improve the performance of the SVM method based on accuracy, sensitivity, specificity, and f-measure.

METODE KLASIFIKASI DATA MINING DAN TEKNIK SAMPLING SMOTE MENANGANI CLASS IMBALANCE UNTUK SEGMENTASI CUSTOMER PADA INDUSTRI PERBANKAN Hairani Hairani; Noor Akhmad Setiawan; Teguh Bharata Adji
Prosiding SNST Fakultas Teknik Vol 1, No 1 (2016): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 7 2016
Publisher : Prosiding SNST Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (350.379 KB)

Class imbalance merupakan sebuah permasalahan yang lazim ditemukan pada dataset, dimana disribusi antara class mayoritas (Negative) dan minoritas (positive) tidak seimbang. Dengan kata lain, class mayoritas memiliki jumlah yang lebih banyak dibandingkan class minoritas. Dengan distribusi yang tidak seimbang, metode pada machine learning cenderung keliru mengklasifikasikan class minoritas. Paper ini mengadopsi pendekatan teknik sampling yaitu Algoritma SMOTE untuk menangani permasalahan class imbalance yang dikombinasikan dengan metode klasifikasi yang lainnya yaitu metode J48, SVM, dan Naive Bayes. Berdasarkan hasil pengujian yang telah dilakukan dengan tools weka menggunakan evaluasi kinerja confusion matrix, menunjukkan bahwa metode J48+SMOTE memiliki tingkat akurasi dan sensitivity paling tinggi yaitu sebesar 0,93% dan 0,93%. Sedangkan metode SVM memiliki nilai specificity yang paling tinggi sebesar 0.99% dan metode Naive Bayes memiliki waktu komputasi yang paling cepat dibandingkan ketiga metode lainnya sebesar 0.38 seconds. Dengan demikian, metode J48+SMOTE mampu menangani class imbalance pada dataset Bank Direct Marketing pada industri perbankan dibandingkan metode SVM dan Naive Bayes. Kata kunci: Algoritma SMOTE; Class Imbalance; Metode Klasifikasi

Perancangan Sistem Pakar Diagnosis Penyakit Rematik Menggunakan Inferensi Forward Chaining Berbasis Prolog Hairani Hairani; Mokhammad Nurkholis Abdillah; Muhammad Innuddin
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 4, No 1 (2019): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Penyakit artrhitis atau sering dikenal dengan nama rematik merupakan penyakit yang menyerang sendi dan struktur atau jaringan penunjang sekitar sendi. Jenis penyakit rematik memiliki lebih dari 150 jenis, tetapi di indonesia ada 3 jenis penyakit paling sering diderita masyarakat diantaranya Gout Arthritis, Rheumatoid Arthritis, dan Osteo Arthritis. Gejala pada jenis penyakit rematik sering tidak disadari oleh masyarakat, karena umumnya memiliki gejala yang mirip satu sama lain. Salah satu solusi yang dapat digunakan masyarakat untuk melakukan diagnosis dini jenis penyakit rematik adalah sistem pakar. Sistem pakar adalah sebuah sistem yang mengadopsi pengetahuan pakar sehingga dapat melakukan seperti yang dilakukan pakar. Penelitian ini mengembangkan sistem pakar diagnosis penyakit rematik menggunakan inferensi forward chaining berbasis prolog. Metode inferensi forward chaining digunakan untuk menarik kesimpulan jenis penyakit rematik yang diderita berdasarkan gejala-gejala yang dirasakan. Berdasarkan pengujian yang telah dilakukan bahwa metode inferensi forward chaining dapat melakukan diagnosis jenis penyakit rematik..

Komparasi Akurasi Metode Correlated Naive Bayes Classifier dan Naive Bayes Classifier untuk Diagnosis Penyakit Diabetes Hairani Hairani; Gibran Satya Nugraha; Mokhammad Nurkholis Abdillah; Muhammad Innuddin
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 3, No 1 (2018): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v3i1.558

Penyakit diabetes merupakan salah satu penyakit paling banyak diderita oleh manusia seluruh dunia. Setiap tahun terjadi peningkatan kematian yang disebabkan oleh penyakit diabetes. Penyakit diabetes terjadi disebabkan oleh tubuh tidak menghasilkan insulin dalam jumlah yang cukup. Salah satu cara yang digunakan untuk mengurangi jumlah kematian yang disebabkan oleh penyakit diabetes adalah melakukan diagnosis secara dini. Salah satu teknik yang bisa digunakan adalah memanfaatkan teknik data mining. Untuk melakukan diagnosis penyakit diabetes dibutuhkan suatu metode yang memiliki akurasi terbaik. Pada penelitian ini melakukan komparasi metode Correlated-Naive Bayes Classifier dan Naive Bayes Classifier untuk mendapatkan akurasi terbaik sehingga dapat digunakan untuk diagnosis penyakit diabetes. Berdasarkan pengujian yang telah dilakukan menunjukkan bahwa metode Correlated Naive Bayes Classifier (CNBC) memperoleh akurasi terbaik dibandingkan dengan metode Naive Bayes Classifier (NBC) untuk Dataset Pima indian Diabetes. Tingkat akurasi metode Correlated Naive Bayes Classifier (CNBC) sebesar 67,15%, sedangkan metode Naive Bayes Classifier (NBC) sebesar 64,33%. Metode Correlated Naive Bayes Classifier (C-NBC) memiliki akurasi lebih tinggi dibandingkan metode Naïve Bayes Classifier (NBC) karena pada metode Correlated Naïve Bayes Classifier memperhitungkan nilai korelasi dari masing-masing atribut dataset terhadap Kelasnya. Dengan demikian penggunaan metode Correlated Naïve Bayes Classifier (C-NBC) dapat digunakan untuk melakukan diagnosis penyakit diabetes karena memiliki tingkat akurasi yang bagus dibandigkan metode Naive Bayes Classifier.

Integrasi Metode Naive Bayes dengan K-Means dan K-Means-Smote untuk Klasifikasi Jurusan SMAN 3 Mataram Hairani Hairani; Muhammad Ridho Hansyah; Lalu Zazuli Azhar Mardedi
Jurnal Sistem dan Informatika (JSI) Vol 15 No 1 (2020): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v15i1.317

Pihak SMAN 3 Mataram memiliki permasalahan yaitu kesulitan untuk memilihkan jurusan yang tepat bagi siswanya, karena tidak ada sistem yang memberi keputusan jurusan yang sesuai dengan minat dan bakat siswa, serta dibatasi dengan jumlah kuota di tiap kelasnya. Tujuan dari penelitian ini adalah integrasi metode Naive Bayes dengan K-Means dan K-Means-Smote untuk klasifikasi penjurusan SMAN 3 Mataram. Metodologi penelitian ini terdiri dari pengumpulan data siswa, pengolahan data, pengujian metode, dan evaluasi kinerja metode yang diusulkan. Berdasarkan hasil pengujian yang telah dilakukan, metode yang diusulkan memperoleh kinerja terbaik dibandingkan penelitian sebelumnya menggunakan metode C.45 dengan akurasi sebesar 99,16%, sensitivitas 99,58%, spesifisitas 98,77%, dan f-measure 99,16%. Dengan demikian metode yang diusulkan dapat digunakan untuk klasifikasi jurusan SMAN 3 Mataram karena memiliki kinerja paling baik.

K-means-SMOTE untuk menangani ketidakseimbangan kelas dalam klasifikasi penyakit diabetes dengan C4.5, SVM, dan naive Bayes Hairani Hairani; Khurniawan Eko Saputro; Sofiansyah Fadli
Jurnal Teknologi dan Sistem Komputer Volume 8, Issue 2, Year 2020 (April 2020)
Publisher : Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro

The occurrence of imbalanced class in a dataset causes the classification results to tend to the class with the largest amount of data (majority class). A sampling method is needed to balance the minority class (positive class) so that the class distribution becomes balanced and leading to better classification results. This study was conducted to overcome imbalanced class problems on the Indian Pima diabetes illness dataset using k-means-SMOTE. The dataset has 268 instances of the positive class (minority class) and 500 instances of the negative class (majority class). The classification was done by comparing C4.5, SVM, and naïve Bayes while implementing k-means-SMOTE in data sampling. Using k-means-SMOTE, the SVM classification method has the highest accuracy and sensitivity of 82 % and 77 % respectively, while the naive Bayes method produces the highest specificity of 89 %.

Pelatihan Pembuatan Media Pembelajaran Bagi Guru MI NW Darussholohin Kalijaga dalam Rangka Meningkatkan Mutu Pembelajaran Muhammad Innuddin; Hairani Hairani; Rifqi Hammad; Pahrul Irfan; Kurniadin Abd. Latif
ADMA : Jurnal Pengabdian dan Pemberdayaan Masyarakat Vol 1 No 2 (2021): ADMA: Jurnal Pengabdian dan Pemberdayaan Masyarakat
Publisher : LPPM Universitas Bumigora

Technological developments that require teachers to improve skills in this field to help the teaching and learning process better. Teachers at Madrasah Ibtidaiyah Darussholihin NW Kalijaga are still lacking in applying technology, especially in making learning media. Based on these problems, it is necessary to hold training on how to use applications to develop learning media. Some applications that can be used as tools for creating learning media include the Microsoft PowerPoint application which is the most commonly used. This application is commonly used throughout the world to make presentation slides as a medium for delivering material in the teaching and learning process. The method used in this training activity is direct practice to develop learning media using Microsoft PowerPoint. With this service activity, it is hoped that all teachers can improve their abilities in developing learning media using the Microsoft PowerPoint application.

Co-Authors Abdurraghib Segaf Suweleh Abdurraghib Segaf Suweleh Afrig Aminuddin Ahmad Ahmad Ahmad Fathoni Ahmad Zuli Amrullah Andi Sofyan Anas Anggrawan, Anthony Bhintang Dirgantara Christopher Michael Lauw Dadang Priyanto Dedy Febry Rachman Dedy Febry Rahman Deny Jollyta Diki Ashadi Donny Kurniawan Dyah Susilowati Dyah Susilowati Dyah Susilowaty Fatimatuzzahra Fatimatuzzahra Gibran Satya Nugraha Gibran Satya Nugraha Hammad, Rifqi Haryono Haryono Hasbullah Hasbullah I Nyoman Switrayana Ilham Saifuddin Indah Puji Lestari Juvinal Ximenes Guterres Khairan marzuki Khairan Marzuki Khurniawan Eko Saputro Kurniawan Kurniawan Latif, Kurniadin Abd Lilik Nurhayati M. Ade Candra M. Rasyid Ridho Mardedi, Lalu Zazuli Azhar Mayadi Mayadi Miftahul Madani Mokhammad Nurkholis Abdillah Mokhammad Nurkholis Abdillah Muhammad Arfa Muhammad Innuddin Muhammad lnnuddin Muhammad Maariful Huda Muhammad Ridho Hansyah Muhammad Zulfikri Muhammad Zulkarnaen Haris Mujahid Mujahid Ni Gusti Ayu Dasriani Noor Akhmad Setiawan Nurul Azmi Pahrul Irfan Putu Tisna Putra Ramadhanti Ramadhanti Rifqi Hammad Samsul Hadi Sofiansyah Fadli Syahrir, Moch. Teguh Bharata Adji Triwijoyo, Bambang Krismono Zilullah Nazir Hadi

Title

Found 34 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 34 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 34 Documents
Search