Jurnal Buana Informatika

Implementasi Algoritma Apriori sebagai Association Rule Learning untuk Mengidentifikasi Pola Item Dataset Penjualan

2025-04-15T18:58:30+07:00

Persaingan toko retail semakin ketat, pemasaran dan penataan produk penting untuk efisiensi belanja, menjaga kenyamanan, dan meningkatkan profit. Analisis kebiasaan berbelanja konsumen terhadap barang pada setiap transaksi dengan melakukan market basket analysis. Algoritma Apriori merupakan salah satu teknik untuk menemukan frequent item dalam membangun association rule yaitu hubungan antara kombinasi item dalam suatu dataset. Penelitian ini bertujuan untuk implementasi algoritma Apriori sebagai association rule learning untuk mengidentifikasi pola item dataset penjualan pada toko retail. Association rule itemset dengan algoritma Apriori akan dibandingkan dengan Frequent Pattern Growth (FP-Growth) yang merupakan algoritma untuk menemukan himpunan data yang paling sering muncul pada dataset. Berdasarkan pengujian yang dilakukan rerata nilai lift ratio algoritma Apriori sebesar 1,58 dan rerata nilai lift ratio algoritma FP-Growth sebesar 1,28. Hal ini menunjukkan bahwa algoritma Apriori memiliki kinerja lebih tinggi jika dibandingkan dengan algoritma FP-Growth.

Sistem Pakan Cerdas Berbasis IoT Untuk Optimalisasi Peternakan Kambing Umbaran di Era Digital Farm

2025-04-12T14:12:53+07:00

Penelitian ini bertujuan untuk mengembangkan sistem pakan cerdas berbasis Internet of Things (IoT) yang dirancang untuk meningkatkan efisiensi pemberian pakan di peternakan kambing umbaran. Sistem ini secara otomatis mengatur dispenser pakan sesuai dengan jadwal yang telah ditentukan, sehingga memudahkan peternak dalam manajemen pakan. Pengujian sistem menunjukkan efektivitas dalam mengurangi waktu pemberian pakan dan meminimalkan pemborosan. Selain itu, sistem dilengkapi dengan layar LCD yang menampilkan status dispenser, memberikan informasi real-time kepada peternak. Teknologi ini juga memungkinkan pemantauan jarak jauh, sehingga peternak dapat mengelola pakan dengan lebih baik. Dengan penerapan sistem ini, diharapkan dapat meningkatkan produktivitas dan kesejahteraan ternak, serta mendorong modernisasi dalam praktik peternakan di Indonesia. Inovasi ini diharapkan menjadi solusi yang berkelanjutan untuk tantangan dalam manajemen pakan, memberikan manfaat jangka panjang bagi peternak dan industri peternakan secara keseluruhan.

Importance of Feature Selection for Multiple Disease Classification

2025-04-11T19:42:52+07:00

The performance of machine learning in disease classification heavily depends on effective feature selection. This study explores feature selection methods—Boruta and Recursive Feature Elimination (RFE)—with ensemble models like Random Forest, Decision Tree, Gradient Boosting, LightGBM, and XGBoost using Electronic Health Records (EHR) data. Results show that combining Boruta with LightGBM achieves the highest accuracy of 99%. Feature selection enhances precision by focusing on relevant variables and removing unnecessary ones. Further analysis reveals that features such as Red Blood Cells, Insulin, Heart Rate, and Cholesterol significantly influence the classification of specific diseases. These findings highlight the importance of feature selection in multi-disease classification and medical data analysis, improving the efficiency of machine learning systems. Future research should develop more flexible feature selection methods and test models on diverse disease datasets.

Ekstraksi Pengetahuan dari Ulasan Aplikasi CapCut Menggunakan Metode Aspect-Based Sentiment Analysis dan Klasifikasi

2025-05-05T11:21:43+07:00

Indonesia mengalami perkembangan teknologi yang pesat, khususnya dalam penggunaan internet dan platform editing seperti CapCut. Platform ini memungkinkan pengeditan video di berbagai perangkat, namun kepuasan pengguna tidak selalu terjamin karena perbedaan pengalaman individu. Penelitian ini bertujuan untuk mengidentifikasi sentimen pengguna terhadap aplikasi CapCut berdasarkan aspek.Dengan menggunakan pendekatan Aspect-Based Sentiment Analysis (ABSA) yang didukung oleh algoritma Machine Learning untuk tugas klasifikasi sentimen berdasarkan aspek. Algoritma yang digunakan dalam proses klasifikasi adalah Support Vector Machine. Data yang digunakan adalah ulasan aplikasi CapCut dari Google Play Store sebanyak 22.668 data. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) memiliki performa yang baik untuk masing-masing aspek dengan nilai akurasi untuk aspek fitur 0,88 dan aspek user experience 0,87. Hasil ekstraksi pengetahuan yang diperoleh berupa XML yang memuat informasi sentimen pengguna terhadap dua aspek utama, yaitu fitur dan user experience.

Peningkatan Akurasi Rekomendasi Dokter pada Kondisi Data Sparsity Menggunakan Algoritma Content-Based Filtering

2025-01-31T20:37:17+07:00

Perkembangan aplikasi layanan kesehatan seperti Halodoc, Alodokter, dan Klikdokter telah menyediakan sistem rekomendasi yang memudahkan pasien untuk menentukan dokter yang relevan. Namun, rekomendasi dokter yang relevan masih menjadi tantangan. Salah satu permasalahannya adalah data sparsity, yaitu kelangkaan atribut data yang menyebabkan akurasi sistem rekomendasi bekerja kurang akurat. Penelitian ini mengembangkan sistem rekomendasi dokter menggunakan pendekatan Content-Based Filtering (CBF) untuk melakukan rekomendasi dokter sesuai dengan preferensi pasien dengan mempertimbangkan lima atribut utama: spesialisasi, rating, biaya konsultasi, lama praktik, dan jenis kelamin. Aturan imputasi data dan pembobotan atribut telah diimplementasikan untuk meningkatkan akurasi sistem rekomendasi. Hasil dari analisis data menunjukan teknik tersebut telah menurunkan Mean Absolute Error (MAE) dari 0,142 menjadi 0,102 dan Root Mean Squared Error (RMSE) dari 0,205 menjadi 0,150, sehingga teknik yang diimplementasikan meningkatkan sistem rekomendasi dokter dengan kondisi data sparsity.