Claim Missing Document
Check
Articles

Found 15 Documents
Search

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

Abstract

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 Naïve 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 Naïve 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

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (551.842 KB) | DOI: 10.32520/stmsi.v10i2.1195

Abstract

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
Pelatihan Pengenalan Data Science untuk Meningkatkan Kemampuan dalam Pengolahan Data Hairani Hairani; Ahmad Zuli Amrullah
Jurnal Abdidas Vol. 1 No. 3 (2020): Vol 1 No 3 July Pages 88-182
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (621.65 KB) | DOI: 10.31004/abdidas.v1i3.31

Abstract

Data science merupakan gabungan ilmu komputer, statistika, dan pengetahuan domain bisnis untuk ekstraksi tumpukan data yang besar menjadi pengetahuan sehingga mendapatkan pattern atau pola-pola yang dapat memudahkan pengambil keputusan. Adapun orang menggeluti bidang data science disebut data scientist. Profesi data scientist akhir-akhir ini menjadi profesi yang sangat seksi di abad 21. Sumber daya manusia yang berprofesi sebagai data scientist di Indonesia sangat sedikit bila dibandingkan ketersedian lapangan kerja dibidang data science. Dengan kata lain, ketersediaan lapangan kerja data science berbanding terbalik dengan ketersediaan SDM yang berprofesi sebagai data scientist, dimana jumlah SDM data scientist sangat sedikit dibandingkan dengan jumlah lapangan kerja yang berlimpah. Salah satu solusi yang ditawarkan adalah mengadakan pelatihan dan workshop untuk pengenalan data science untuk meningkatkan SDM bidang data science khususnya di Universitas Bumigora. Metode pelaksanaan yang digunakan adalah penyampaian materi tentang data science dan simulasi penggunaan metode data science dalam kasus real menggunakan Google Colab. Berdasarkan hasil pelatihan dan workshop yang telah dilaksanakan, dapat meningkatkan pemahaman dan kemampuan para peserta untuk menggunakan metode-metode yang ada pada data science untuk mengolah data menjadi sebuah pengetahuan.
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

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (392.523 KB) | DOI: 10.30743/infotekjar.v4i1.1377

Abstract

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..
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

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (73.3 KB) | DOI: 10.14710/jtsiskom.8.2.2020.89-93

Abstract

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 %.
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

Abstract

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. 
Sosialisasi Internet Sehat, Cerdas, Kreatif dan Produktif di Era Pandemi COVID 19 pada MA NW Tanak Maik Masbagek Muhammad Innuddin; Dedy Febry Rahman; Hairani Hairani; Andi Sofyan Anas; Hasbullah Hasbullah
ADMA : Jurnal Pengabdian dan Pemberdayaan Masyarakat Vol 2 No 2 (2022)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/adma.v2i2.1609

Abstract

Healthy, Smart, Creative and Productive Internet in the Era of the Covid 19 Pandemic. The research objectives include: to find out how to use the technology and describing how to use technology properly to reduce negative impacts. This research method is a descriptive qualitative method. The techniques used in collecting data are observation techniques, interview techniques, and documentation. The results of this study found two problems, including 1) did not understand how to use and utilize internet technology properly, 2) lack of teacher evaluation and control on students. The conclusion of this research is the use and utilization of technology properly, leading to positive impacts and reducing negative impacts. By knowing how to use internet technology properly and correctly, it will be able to make students smart, creative, and productive. The purpose of being intelligent, creative, and productive is that students can develop and apply what has been obtained in internet technology, which is applied in their daily lives, both within the school environment or outside the school environment.
Penanganan Ketidak Seimbangan Kelas Menggunakan Pendekatan Level Data Hairani Hairani; Abdurraghib Segaf Suweleh; Dyah Susilowaty; Khairan Marzuki
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 20 No 1 (2020)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (309.65 KB) | DOI: 10.30812/matrik.v20i1.846

Abstract

Setiap tahun bagian kemahasiswaan Universitas Bumigora melakukan seleksi mahasiswa yang berhak mendapatkan Beasiswa Peningkatan Prestasi Akademik (Beasiswa PPA). Dalam proses seleksi pemilihan penerima Beasiswa PPA terdapat permasalahan seperti kesulitan dalam menentukan mahasiswa yang berhak menerima beasiswa, dikarenakan jumlah kuota beasiswa lebih sedikit dibandingkan jumlah mahasiswa yang mendaftar beasiswa. Kumpulan data hasil seleksi Beasiswa PPA sebanyak 150 instance. Terdapat ketidak seimbangan kelas pada data yang digunakan yaitu 85 instance kelas tidak layak dan 65 instance kelas layak. Solusi yag ditawarkan adalah menggunakan pendekatan level data untuk menyeimbangkan kelasnya seperti metode SMOTE dan k-means-SMOTE. Adapun tujuan penelitian ini adalah menangani permasalahan ketidak seimbangan kelas pada data beasiswa PPA Universitas Bumigora menggunakan pendekatan level data untuk meningkatkan kinerja metode C4.5. Tahapan-tahapan penelitian ini terdiri dari pengumpulan data Beasiswa PPA, data preprocesing, klasifikasi, dan pengujian kinerja. Berdasarkan hasil pengujiannya, pendekatan level data menggunakan metode k-means-SMOTE dan metode C4.5 memiliki kinerja terbaik untuk klasifikasi penerima Beasiswa PPA dengan akurasi 81.3%, sensitivitas 84.9%, dan spesifisitas 77.6%. Dengan demikian, metode k-mean-SMOTE dan metode C4.5 memiliki kinerja terbaik berdasarkan akurasi, sensitivitas, dan spesifisitas.
Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering Hairani Hairani; Dyah Susilowati; Indah Puji Lestari; Khairan Marzuki; Lalu Zazuli Azhar Mardedi
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 21 No 2 (2022)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (282.401 KB) | DOI: 10.30812/matrik.v21i2.1542

Abstract

Persaingan penerimaan mahasiswa baru antar kampus swasta sangat ketat untuk menarik calon mahasiswa sehingga membutuhkan strategi. Strategi Universitas Bumigora adalah mengirimkan tim promosi ke sekolah-sekolah di pulau Lombok maupun pulau sumbawa. Permasalahan pihak panitia Penerimaan Mahasiswa Baru selama ini adalah tidak melakukan segmentasi sekolah yang menjadi skala prioritas untuk dikunjungi agar efektif dan efisien. Tujuan penelitian ini adalah melakukan segmentasi tingkat potensial sekolah sebagai strategi untuk memilih lokasi promosi penerimaan mahasiswa baru Universitas Bumigora menggunakan analisis model RFM dan metode K-means. Tahapan penelitian terdiri dari persiapan data penerimaan mahasiswa baru tahun 2019 dan 2020, pra-pengolahan data, penerapan model Recency (R), Frequency (F), dan Monetary (M)implementasi metode K-means, dan analisa hasil. Hasil penelitian ini adalah terbentuk 3 klaster tingkat potensial sekolah yang dapat dijadikan skala prioritas untuk lokasi promosi penerimaan mahasiswa baru Universitas Bumigora yaitu kurang potensial, potensial, dan sangat potensial. Klaster sangat potensial (C2) terdapat 28 sekolah, klaster potensial (C3) terdapat 90 sekolah, dan klaster kurang potensial (C1) terdapat 152 sekolah.
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

Abstract

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.