Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal DoubleClick : Journal of Computer and Information Technology NARATIF : Jurnal Nasional Riset Aplikasi dan Teknik Informatika
Satrio Rully Priyambodo
Universitas Adhirajasa Reswara Sanjaya
Computer Science & IT Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
OPTIMASI ALGORITMA NAÏVE BAYES MENGGUNAKAN FORWARD SELECTION UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS Miftahul Rizal; Muhamad Zakhy Syahaf; Satrio Rully Priyambodo; Yudi Ramdhani
Naratif (Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika) Vol 5 No 1 (2023): NARATIF : Jurnal Nasional Riset Aplikasi dan Teknik Informatika
Publisher : Sekolah Tinggi Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53580/naratif.v5i1.200

Abstract

Penyakit Ginjal Kronis (PGK) ialah disfungsi ginjal liberal dan ireversibel di mana keahlian tubuh untuk men-dukung badan mempertahankan metabolisme dan keseimbangan elektrolit tersendat. Penyakit ginjal kronis akan ber-tambah sebagai gagal ginjal terminal maupun ginjal tingkatan akhir penyakit dimana ginjal tidak sanggup bertugas lagi untuk melindungi materi ke dalam badan, membutuhkan pemulihan langkah- langkah lebih lanjut dari dialisis maupun transplantasi ginjal sebagai pemulihan pengganti ginjal. Penyakit ginjal adalah masalah kesehatan diseliruh dunia, yang memiliki Peningkatan prevalensi gagal ginjal dan prognosis buruk dan biaya yang tinggi. Penyakit ginjal kronis bisa menjadi sulit untuk disembuhkan, penyebab utama termasuk diabetes dan tekanan darah tinggi. Penelitian memperoleh dataset dari UCI machine learning reprository dan terdapat banyak dataset, salah satunya ialah dataset Risk Factor prediction of Chronic Kidney Disease. Studi ini bermaksud untuk mengukur tingkat keakuratan penggo-longan informasi data mining, studi ini menggunakan algoritma C4. 5, K- NN, Naïve bayes, Logistic regression. Dari algoritma keempat akan dibandingkan pengklasifikasian dataset Risk Factor prediction of Chronic Kidney Disease, dataset yang diperoleh dari UCI machine learning reprository. Dari hasil akurasi yang didapat dengan menggunakan Algoritma C4. 5 menghasilkan akurasi 90, 45%, Algoritma K- NN menghasilkan kejituan 91, 50%, Algoritma Naïve Bayes menghasilkan akurasi 92, 92%, Algoritma Logistic Regresion menghasilkan akurasi 80, 09%. sehingga bisa disimpulkan jika algoritma yang paling tidak akurat ialah algoritma Naïve Bayes.
Deteksi Berita Palsu Pada Pemilu 2024 Dengan Menggunakan Algoritma Random Forest Arizal Sabila Nurhikam; Rivaldi Syaputra; Saepul Rohman; Satrio Rully Priyambodo; Nova Agustina
DoubleClick: Journal of Computer and Information Technology Vol 7, No 1 (2023): Optimalisasi Teknologi Informasi
Publisher : Universitas PGRI Madiun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25273/doubleclick.v7i1.15456

Abstract

Pemilu atau pemilihan umum merupakan proses penting dalam negara demokrasi yang digunakan untuk memilih pemimpin dan pemerintah. Namun, maraknya berita palsu yang beredar di media sosial menyebabkan keraguan terhadap informasi yang didapat. Oleh karena itu, dibutuhkan tektnik untuk mendeteksi berita palsu sebelum berita tersebut diterima dan dipercayai oleh masyarakat. Dalam penelitian ini, kami mengevaluasi kemampuan algoritma random forest dalam mendeteksi berita palsu pada pemilu 2024. Dataset yang digunakan berisikan 859 record yang berisi id, status_fakta, dan judul_berita, dimana status_fakta sebagai label. Proses yang dilakukan pada dataset meliputi cleaning, tokenisasi, dan stemming. Kemudian dilakukan proses training dan testing pada model untuk mendapatkan akurasi dari model tersebut. Hasil yang didapatkan dari pengujian ini adalah akurasi sebesar 84.88%. Penerapan cleaning, tokenisasi, dan stemming pada dataset juga meningkatkan kualitas dataset yang digunakan dalam proses klasifikasi. 
Co-Authors Arizal Sabila Nurhikam Miftahul Rizal Muhamad Zakhy Syahaf Nova Agustina Rivaldi Syaputra Saepul Rohman Yudi Ramdhani