Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Dinamik Data Sciences Indonesia (DSI)
Hulu, Yakin Rianto
Unknown Affiliation
Computer Science & IT Education Physics

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

Found 3 Documents
Search

 1 
PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST CLASSIFIER DAN LIGHTGBM CLASSIFIER UNTUK PREDIKSI PENYAKIT JANTUNG Duran, Filbert; Wijaya, Frederico; Hulu, Yakin Rianto; Harahap, Mawaddah; Prabowo, Agung
Data Sciences Indonesia (DSI) Vol. 3 No. 2 (2023): Article Research Volume 3 Issue 2, December 2023
Publisher : ITScience (Information Technology and Science)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v3i2.3831

Abstract

Penyakit jantung merupakan masalah kesehatan serius yang dapat dicegah dan diobati. Dengan menjaga gaya hidup sehat, melakukan pemeriksaan kesehatan secara rutin, dan mengikuti anjuran dokter[1], risiko penyakit jantung dapat dikurangi. Random Forest Classifier (RFC) bagaikan hutan pohon keputusan yang bekerja sama untuk menghasilkan prediksi yang lebih jitu. Algoritma ini tergolong handal dan fleksibel, mampu menangani berbagai tugas klasifikasi dan regresi. Kelebihannya, RFC menawarkan akurasi tinggi, tahan terhadap overfitting, dan mudah diinterpretasikan[2]. RFC adalah algoritma machine learning yang kuat dengan banyak keunggulan, namun perlu dipertimbangkan pula keterbatasannya dalam hal komputasi dan fleksibilitas[3]. LightGBM merupakan algoritma machine learning yang kuat dan efisien untuk klasifikasi dan regresi. Kecepatan, akurasi, dan kemudahan penggunaannya menjadikannya pilihan yang menarik untuk berbagai aplikasi[4]. Dari hasil yang didapat dari penelitian ini adalah metode RFC dan LightGBM dapat disimpulkan bahwa metode RFC merupakan metode yang tergolong efektif dalam analisis penyakit jantung dengan akurasi prediksi dari model adalah 95,37%., dapat dikatakan bahwa metode Random Florest Classifier cocok untuk melakukan analisis penyakit jantung bedasarkan dataset yang ada.
Perbandingan Kinerja Algoritma Random Florest Classifier Dan Lightgbm Classifier Untuk Prediksi Penyakit Jantung Duran, Filbert; Wijaya, Frederico; Hulu, Yakin Rianto; Harahap, Mawaddah; Prabowo, Agung
Data Sciences Indonesia (DSI) Vol. 3 No. 2 (2023): Article Research Volume 3 Issue 2, December 2023
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v3i2.3831

Abstract

Penyakit jantung merupakan masalah kesehatan serius yang dapat dicegah dan diobati. Dengan menjaga gaya hidup sehat, melakukan pemeriksaan kesehatan secara rutin, dan mengikuti anjuran dokter[1], risiko penyakit jantung dapat dikurangi. Random Forest Classifier (RFC) bagaikan hutan pohon keputusan yang bekerja sama untuk menghasilkan prediksi yang lebih jitu. Algoritma ini tergolong handal dan fleksibel, mampu menangani berbagai tugas klasifikasi dan regresi. Kelebihannya, RFC menawarkan akurasi tinggi, tahan terhadap overfitting, dan mudah diinterpretasikan[2]. RFC adalah algoritma machine learning yang kuat dengan banyak keunggulan, namun perlu dipertimbangkan pula keterbatasannya dalam hal komputasi dan fleksibilitas[3]. LightGBM merupakan algoritma machine learning yang kuat dan efisien untuk klasifikasi dan regresi. Kecepatan, akurasi, dan kemudahan penggunaannya menjadikannya pilihan yang menarik untuk berbagai aplikasi[4]. Dari hasil yang didapat dari penelitian ini adalah metode RFC dan LightGBM dapat disimpulkan bahwa metode RFC merupakan metode yang tergolong efektif dalam analisis penyakit jantung dengan akurasi prediksi dari model adalah 95,37%., dapat dikatakan bahwa metode Random Florest Classifier cocok untuk melakukan analisis penyakit jantung bedasarkan dataset yang ada.
Deteksi Dini Gejala Aritmia pada Penderita Hypertensi menggunakan Algoritma SVM dengan Data Elektrokardiogram Tambunan, Fiktor Januari; Tarigan, Perwira; Hulu, Yakin Rianto; Halawa, Hendi Jaya; Prabowo, Agung
Dinamik Vol 30 No 2 (2025)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v30i2.10233

Abstract

Abstrak Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis. Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia
Co-Authors Agung Prabowo Duran, Filbert Halawa, Hendi Jaya Mawaddah Harahap, Mawaddah Tambunan, Fiktor Januari Tarigan, Perwira Wijaya, Frederico