Article Per Year (5 Year)
p-Index From 2019 - 2024
0.61
P-Index
This Author published in this journals
All Journal Jurnal Komputer Terapan Jurnal Sistem Informasi dan Teknologi Jaringan (SISFOTEKJAR) Jurnal Testing dan Implementasi Sistem Informasi
Sapriadi Sapriadi
Institut Kesehatan Helvetia
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Akurasi Modifikasi k-Nearest Neighbour Pada Data Pencemaran Udara Sapriadi Sapriadi
Jurnal Sistem Informasi dan Teknologi Jaringan (SISFOTEKJAR) Vol 2 No 2 (2021): September : 2021
Publisher : Pustaka Timur Publisher

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

Abstract

k-Nearest Neighbor (k-NN) is one of the most popular machine learning methods to date. k-NN determines the similarity of data or objects based on the proximity of the distance between data to a class or label or other data group. The distance measurement method on k-NN is considered ineffective because it gives the same weight for each characteristic. The majority vote in determining the data class is also considered problematic because it ignores the closeness between the data and allows multiple majority classes. To solve this problem, the Local Mean Distance Weight k-Nearest Neighbor (LMDWkNN) method emerged. This method is considered capable of providing better accuracy results than k-NN. In this study, we will look at the accuracy results of the LMDWkNN and k-NN methods on the Air Pollution Standard Index (ISPU) data. In this study, 80% of the data was used as training data and the rest was used as testing data. Furthermore, an evaluation will be carried out using the 10-fold cross validation method from the training data so that the best k value will be obtained. The value of k will be used to make predictions on the testing data. The results of this study show that LMDWkNN is able to provide a better accuracy value than k-NN with a more competitive k value. Where the LMDWkNN method found an average accuracy value of 0.9748 while the k-NN was only 0.9371, which means that the LMDWkNN method increased the accuracy value of 0.0377.
Perbandingan Kinerja k-Nearest Neighbor dan Local Mean Distance k-Nearest Neighbor Pada Data Citra Covid-19 Sapriadi Sapriadi
Jurnal Komputer Terapan Vol. 9 No. 1 (2023): Jurnal Komputer Terapan
Publisher : Politeknik Caltex Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35143/jkt.v9i1.6019

Abstract

Corona Virus Disease 2019 (covid-19) merupakan pandemi dunia yang menimbulkan berbagai kerugian di dunia. Diagnosis covid-19 yang valid memerlukan waktu yang cukup lama dan hasil ini tidak sepenuhnya akurat. Salah satu cara untuk meningkatkan hasil akurasi adalah dengan menggunakan image classification. k-Nearest Neighbor (kNN) adalah salah satu Teknik klasifikasi yang paling banyak digunakan untuk melakukan pekerjaan tersebut, hanya saja kNN masih memiliki kelemahan. Untuk mengatasi kelemahan pada kNN, maka dilakukan modifikasi dengan menambahkan local mean dan distance weight, di mana varian kNN ini dikenal dengan nama Local Mean Distance Weight k-Nearest Neighbor (LMDWkNN). Oleh sebab itu, penelitian kali mencoba membandingkan kinerja kedua algoritma ini untuk melakukan image classification pada citra covid-19. Kinerja diukur berdasarkan nilai akurasi, precision, dan recall, di mana dari hasil pengujian terbukti bahwa kinerja LMDWkNN lebih baik dari pada kinerja kNN. Algoritma LMDWkNN mengalami peningkatan rata-rata sebesar 3.5% untuk nilai akurasi, 2.89% untuk precision, dan 3.54% untuk recall. Meskipun begitu kNN tetap mampu menghasilkan kinerja yang sama baiknya yang mana kinerja kNN akan sangat bergantung dari nilai k yang digunakan
Implementasi Forecasting Pada Penjualan Inaura Hair Care Dengan Metode Single Exponential Smoothing Khairul Umam Syaliman; Lidia Maysofa; Sapriadi Sapriadi
Jurnal Testing dan Implementasi Sistem Informasi Vol. 1 No. 2 (2023): Jurnal Testing dan Implementasi Sistem Informasi
Publisher : Lembaga Riset dan Inovasi Almatani

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

Abstract

Pada Toko UD Beaute banyak terjadi transaksi penjualan setiap harinya, sehingga data yang disimpan sangatlah besar. Data yang banyak bisa dijadikan informasi yang bermanfaat bagi pemilik toko dalam pengambilan kebijakan. Untuk penggalian data yang banyak tersebutdigunakan teknik data mining. Data mining menggunakan analisi data untuk mengidentifikasi informasi, menemukan pola dan hubungan di dalam data yang dapat digunakan dalam membuat ramalan yang tepat. Pada penelitian ini Data mining digunakan untuk meramal penjualan barang pada Toko UD Beaute. Peramalan yaitu kegiatan estimasi masa depan dengan menggunakan metode khusus untuk mneghasilkan informasi bernilai berdasarkan pola-pola dalam sekumpulan data. Untuk melakukan peramalan penjualan di waktu yang akan datang diperlukan suatu aplikasi peramalan dengan menggunakan metode time series, dengan memprediksi apa yang terjadi berdasarkan data historis di masa lalu. Metode time series pada peramalan penjualan Toko UD Beaute menggunakan perhitungan Single Exponential Smoothing yang diimplementasikan dengan menggunakan bahasa pemograman PHP dan MySQL. Dari perhitungan tersebut akan diuji keakuratannya (nilai error). Dimana nilai error terkecil didapati pada perhitungan dengan menggunakan metode Single Exponential Smoothing.
Co-Authors Khairul Umam Syaliman Lidia Maysofa