Claim Missing Document
Check
Articles

Found 17 Documents
Search

Strengthening campus finance by analyzing attribute attributes for student registration classifications M Adib Al Karomi; Much. Rifqi Maulana; Slamet Joko Prasetiono; Ivandari Ivandari; Arochman Arochman
JAICT Vol 4, No 2 (2019)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (206.394 KB) | DOI: 10.32497/jaict.v4i2.1431

Abstract

Students are the most valuable assets in a private college. Assets like this that really need to be maintained and maintained, because most of the income from the private campus is derived from the tuition fees of students. The large number of students who resigned and did not conduct registration would have an impact on the financial institutions. STMIK Widya Pratama is the only computer science campus in Pekalongan City. Data from the last 5 years obtained from the new student admissions committee at STMIK Widya Pratama Pekalongan shows that out of 2670 prospective students who enroll, there are at least 514 prospective students who do not register. This means that around 20% of students do not register. Several analyzes related to the classification for student registration were conducted. In this case the best method that can be used is C45. In the process of calculating the C45 algorithm, information gain method is used to determine the importance of data attributes. The calculation results show that the attribute with the highest level of importance is the city_district attribute from the prospective student's residence, followed by the attributes of education, parental education, and tuition. These results can later be used and developed to create a system to support campus policy.
Improved Decission Tree Performance using Information Gain for Classification of Covid-19 Survillance Datasets Ivandari Ivandari; Much. Rifqi Maulana; M. Adib Al Karomi
JAICT Vol 7, No 1 (2022)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v7i1.3501

Abstract

One of the most feared infectious diseases today is COVID-19. The transmission of this disease is quite fast. Patients also sometimes do not have the same symptoms. Overcoming the spread of the pandemic has been widely carried out throughout the world. Apart from the medical method, there are also many other methods, including computerization. Data mining is a discipline that can project data into new knowledge. One of the main functions of data mining is classification. Decision tree is one of the best models to solve classification problems. The number of data attributes can affect the performance of an algorithm. This study uses information gain to select the attribute features of the Covid-19 surveillance dataset. This study proves that there is an increase in the accuracy of the decision tree algorithm by adding information gain feature selection. Previously, the decision tree only had an accuracy rate of 65% for the classification of the Covid-19 surveillance dataset. After pre-processing using information gain, the accuracy rate increased to 75%.
Classification of Covid-19 Survillance Datasets using the Decision Tree Algorithm ivandari Ivandari; M. Adib Al Karomi
JAICT Vol 6, No 1 (2021)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v6i1.2896

Abstract

Covid-19 is a new type of mutated virus that has been discovered and studied throughout the world. For the time being, no effective drug has been found to treat or prevent this disease. One way that governments around the world are doing is limiting physical contact with people with COVID-19. Data mining is a computer science to study data and perform extraction to get new knowledge. One technique in data mining is classification. C45 is one of the best classification algorithms. The result of the c45 algorithm can be a decision tree. Decision trees are used because the results can be well represented. and can be easily understood in human language. This study classified the Covid-19 surveillance dataset using the Decission tree. The Covid-19 surveillance dataset was obtained from a public data portal, namely the UCI machine learning repository. This study resulted in better accuracy than previous studies using the same dataset. The level of accuracy obtained by using the decision tree algorithm is 65%. Although in this study the accuracy value has increased by 10%, the level of accuracy is still relatively low. The low level of accuracy is due to the dataset used only has 7 attributes and 14 records
Fuzzy Integration to Standard Calculation of K-Nearest Neighbour Attributes M Adib Al Karomi; Ivandari Ivandari
JAICT Vol 5, No 2 (2020)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v5i2.1984

Abstract

The development of information and data in the era of the industrial revolution 4.0 is very fast. Researchers, institutions and even industry are competing to find and utilize methods in data processing that are more effective and efficient. In data mining classification, there are several best methods and are widely used by researchers. One of them is K-Nearest Neighbor (KNN). The calculation process in the KNN algorithm is carried out by comparing the testing data to all existing training data. This comparison is generally symbolized by the value of closeness or similarity between attribute records. The KNN method is proven to be good for handling large datasets and datasets with many attributes. One of the drawbacks in calculating the similarity of the KNN is that if there are attributes with a large range value, the similarity value will also be large. Conversely, if the range in an attribute is small, the similarity is also small. This condition is clearly unfair considering the types of attributes in the current data vary widely. One solution to this problem is to use standardization for all existing data attributes. Fuzzy is a model introduced by Prof. Zadeh which allows a faint value to be a value between 1 and 0. In this study the fuzzy model will be integrated in the KNN similarity calculation to obtain standardization of all data attributes. The results show that the use of the KNN algorithm in the classification of credit approval has an accuracy rate of 91.83%.
Improved C45 performance with gain ratio for credit approval dataset Ivandari Ivandari; M Adib Al Karomi; Much. Rifqi Maulana
JAICT Vol 7, No 2 (2022)
Publisher : Politeknik Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jaict.v7i2.3978

Abstract

Abstract— People's shopping behavior has undergone many changes after the COVID-19 pandemic. Many people have switched to using the marketplace to make buying and selling transactions. The payment process in the marketplace is relatively easy, especially when using a credit card. The increase in demand for credit must be addressed better by financial providers to minimize bad loans. The best thing in minimizing bad credit is to be more selective in choosing credit customers. Data mining is a field that can study old data to become new knowledge in the future. In data mining, the classification of bad credit customers is mostly done. One of the algorithms that excels in handling credit approval datasets is C45. The C45 model is widely used because it has an output decision tree that is easier to understand in human language. The number of data attributes can affect the performance of the algorithm. Feature selection is a form of attribute reduction to improve data quality and improve classification algorithm performance. Gain ratio is the development of information gain and is the best feature selection model and is widely used by researchers. This study performs a classification using C45 and uses a gain ratio for the selection of credit approval data features. By using the gain ratio, the accuracy of the C45 classification algorithm increased from the previous 94.12% to 95.29%.
Optimasi Parameter K pada Algoritma KNN untuk Deteksi Penyakit Kanker Payudara Sattriedi Wahyu Binabar; Ivandari Ivandari
IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (598.378 KB) | DOI: 10.47775/ictech.v13i1.2

Abstract

Kanker merupakan salah satu penyakit yang banyak menyebabkan kematian di seluruh dunia. Dari data International Agency for Research of Cancer (IARC) pada tahun 2012 tercatat lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan keseluruhan kasus yang tercatat pada tahun tersebut mencapai 14.067.894 jiwa. Dalam 5 tahun terakhir penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Selama ini pencatatan perihal pasien penyakit kanker sudah banyak dilakukan. Pencatatan tersebut nantinya dapat digunakan untuk menganalisa serta mendeteksi pasien lain yang memiliki ciri yang sama. Data mining merupakan ilmu yang menggunakan data lampau untuk menghasilkan informasi dan pengetahuan baru. Salah satu fungsi utama data mining adalah klasifikasi. Beberapa teknik klasifikasi digunakan untuk menghasilkan sebuah model atau tingkat akurasi. Salah satu algoritma klasifikasi terbaik adalah KNN. Dari hasil penelitian menunjukkan bahwa KNN dengan nilai k 13 memiliki tingkat akurasi terbaik yaitu 97,28% dengan nilai error sebesar 1,5% dan nilai mikro sebesar 97,28%.
Sistem Pendukung Keputusan Persetujuan Kredit dengan Pemanfaatan Information Gain untuk Pembobotan Atribut Klasifikasi K-Nearest Neighbour Ivandari Ivandari; Tria Titiani Chasanah; M. Adib Al Karomi
IC-Tech Vol 12 No 2 (2017): IC-Tech Volume XII No.2 Oktober 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (441.53 KB) | DOI: 10.47775/ictech.v12i2.5

Abstract

Kredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Dari peningkatan tersebut maka Sistem Pendukung Keputusan yang dibuat hanya menggunakan atribut yang terpilih untuk meningkatkan akurasi. SPK yang tercipta dapat memberikan rekomendasi kepada manajemen berdasarkan perhitungan dan kedekatan data testing dengan keseluruhan data training yang telah ada sebelumnya.
KOMPARASI ALGORITMA DATA MINING UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA M. Faizal Kurniawan; Ivandari Ivandari
IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (544.213 KB) | DOI: 10.47775/ictech.v12i1.12

Abstract

Kanker merupakan salah satu penyakit mematikan. Pada tahun 2012 International Agency for Research of Cancer (IARC) mencatat kasus penyakit kanker sebanyak 14.067.894 jiwa dan lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan dalam 5 tahun terakhir tercatat penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Pencatatan terhadap penyakit kanker banyak dilakukan guna mengantisipasi dan menganalisa pasien sejak dini agar dapat dilakukan pencegahan. Salah satu yang dilakukan adalah dengan menggunakan teknik klasifikasi data mining. Dengan melakukan klasifikasi data mining data lampau yang sebelumnya telah dikumpulkan dapat dijadikan sebuah pengetahuan baru. Beberapa teknik klasifikasi data mining terbukti baik dan menghasilkan akurasi yang tinggi. Dalam penelitian ini akan dilakukan komparasi algoritma K-Nearest Neighbour, Naive Bayes dan Decission Tree C4.5 untuk klasifikasi penyakit kanker payudara. Penelitian ini membuktikan bahwa dari ketiga model algoritma tersebut Naive Bayes memiliki tingkat akurasi terbaik yaitu 95,85%. Sedangkan algoritma KNN memperoleh tingkat akurasi sebesar 94,70% dan Decission Tree C4.5 memperoleh tingkat akurasi sebesar 94,70%..
SISTEM PENDUKUNG KEPUTUSAN DETEKSI PENYAKIT KANKER PAYUDARA MENGGUNAKAN ALGORITMA NAIVE BAYES Ivandari Ivandari; Erni Rahmawatie
IC-Tech Vol 13 No 2 (2018): IC-Tech Volume XIII No.2 Oktober 2018
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (357.516 KB) | DOI: 10.47775/ictech.v13i2.32

Abstract

Kanker merupakan salah satu penyakit penyebab kematian terbesar di dunia. Data International Agency for Research of Cancer (IARC) menyebutkan pada tahun 2012 ada lebih dari 8,2 juta jiwa meninggal dunia akibat kanker. Dari data tersebut diketahui bahwa kanker payudara merupakan jenis kanker terbanyak yang diderita yaitu sebesar 19,2% dari keseluruhan kasus penyakit kanker. Banyaknya data serta catatan terkait kasus pasien kanker dapat berguna apabila dari data tersebut dapat diambil suatu informasi atau pengetahuan baru. Data mining merupakan bidang ilmu yang mengolah data lampau untuk dapat dijadikan sebuah informasi dan pengetahuan baru. Dari penelitian komparasi algoritma data mining untuk deteksi penyakit kanker payudara pada 2017 naive bayes merupakan algoritma terbaik. Naive bayes terbukti memiliki tingkat akurasi yang lebih tinggi dibandingkan algoritma lain. Dalam penelitian ini dibuat sebuah sistem pendukung keputusan untuk deteksi penyakit kanker payudara. Sistem yang tercipta menggunakan aplikasi excell ini dapat menjadi salah satu rekomendasi. Metode yang digunakan untuk perhitungan adalah probabilitas naive bayes.
Analisa Pemanfaatan Media Sosial sebagai Media Promosi menggunakan EPIC Model Nurul Amalia; Bambang Ismanto; Ivandari Ivandari
IC-Tech Vol 14 No 1 (2019): IC-Tech Volume XIV No.1 April 2019
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (406.128 KB) | DOI: 10.47775/ictech.v14i1.53

Abstract

Perkembangan teknologi mempengaruhi pola pikir seseorang dalam berbisnis salah satunya yaitu dalam promosi. Menurut hasil survei APJII, pengguna internet di Indonesia pada awal 2019 mencapai 171 juta jiwa. Sementara jumlah pengguna media sosial aktif sekitar 150 juta di awal 2019 menurut riset Digital Around The World 2019. Banyaknya pengguna media sosial memberikan kesempatan pada pengusaha untuk berlomba lomba melakukan promosi seluas luasnya tanpa adanya batasan waktu dan tempat serta informasi tersampaikan secara cepat. Promosi yang dilakukan melalui media sosial mempunyai peluang produk dapat dikenal yang memungkinkan terjadinya pembelian. Maka pengusaha harus dapat mengembangkan strategi pemasaran pada media promosi maupun memilih media yang efektif agar iklan yang dilakukan tepat sasaran dan membuat  konsumen tertarik untuk menggunakan atau membeli produk tersebut. Pada penelitian ini telah dilakukan pengukuran efektivitas penggunaan media sosial whatsapp, instagram dan facebook sebagai media promosi dengan metode EPIC Model. Hasilnya menyatakan bahwa instagram memperoleh nilai EPIC rate sebesar 3.53, artinya bahwa instagram efektif digunakan sebagai media promosi, sedangkan whatsapp dan instagram memiliki nilai EPIC rate sebesar 2.72 dan 3.10, artinya bahwa instagram cukup efektif digunakan sebagai media promosi.