Abstract:Abstract: The development of predictive technologies, especially artificial intelligence (AI) and machine learning, has opened up great opportunities in the health sector, including early detection of chronic diseases such…
ch as diabetes. This study aims to implement the K-Nearest Neighbors (KNN) algorithm in predicting the likelihood of a person having diabetes based on medical record data from the Pima Indians Diabetes Dataset. The dataset consists of 768 samples with eight key health features. The analysis process includes data cleaning, data distribution exploration, and data preparation for the modelling process. The distance between data is calculated using the Euclidean formula, and normalization is performed so that all features have equal weight. The data was then divided into training and test data with a ratio of 80:20. The analysis results showed an unbalanced class distribution, with more non-diabetic patients than those with diabetes. The age group of 21-30 years dominates in the dataset. The implementation of KNN in this study shows that the method is effective for medical classification based on numerical data. This research demonstrates the potential of KNN as a practical and easy-to-implement early diagnosis tool in data-driven health systems.
Â
Keyword: K-Nearest Neighbors, diabetes prediction, machine learning, medical data, classification.
Â
Abstrak: Perkembangan teknologi prediktif, khususnya kecerdasan buatan (AI) dan pembelajaran mesin (machine learning), telah membuka peluang besar dalam bidang kesehatan, termasuk deteksi dini penyakit kronis seperti diabetes. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbors (KNN) dalam memprediksi kemungkinan seseorang menderita diabetes berdasarkan data rekam medis dari Pima Indians Diabetes Dataset. Dataset terdiri dari 768 sampel dengan delapan fitur kesehatan utama. Proses analisis meliputi pembersihan data, eksplorasi distribusi data, serta persiapan data untuk proses modeling. Jarak antar data dihitung menggunakan rumus Euclidean, dan dilakukan normalisasi agar seluruh fitur memiliki bobot yang seimbang. Data kemudian dibagi menjadi data latih dan uji dengan rasio 80:20. Hasil analisis menunjukkan distribusi kelas yang tidak seimbang, dengan jumlah pasien non-diabetes lebih banyak dibandingkan yang menderita diabetes. Kelompok usia 21–30 tahun mendominasi dalam dataset. Implementasi KNN dalam studi ini menunjukkan bahwa metode ini efektif digunakan untuk klasifikasi medis berbasis data numerik. Penelitian ini mendemonstrasikan potensi KNN sebagai alat bantu diagnosis awal yang praktis dan mudah diimplementasikan dalam sistem kesehatan berbasis data.
Â
Kata kunci: K-Nearest Neighbors, prediksi diabetes, machine learning, data medis,
                   klasifikasi.
Abstract:Abstract: The Academic Information System (SIAKAD) has become a crucial tool in universities for monitoring and evaluating student performance periodically. Data generated by this system, such as Grade Point Average (GPA),…
), attendance, and student activities, can be utilized to predict timely graduation. In this study, the K-Nearest Neighbors (K-NN) algorithm is applied to predict student graduation based on academic and non-academic data. This method employs a distance-based approach to analyze historical data. The findings indicate that the K-NN algorithm provides accurate predictions, enabling educational institutions to implement early interventions for at-risk students. This study is expected to support strategic decision-making in improving student graduation rates.
Â
Keywords: SIAKAD, K-Nearest Neighbors, graduation prediction, distance-based
               algorithm, early intervention.
Abstrak: Aplikasi Sistem Informasi Akademik (SIAKAD) telah menjadi alat penting dalam perguruan tinggi untuk memonitor dan mengevaluasi hasil belajar mahasiswa secara berkala. Berbagai data yang dihasilkan oleh sistem ini, seperti Indeks Prestasi Kumulatif (IPK), kehadiran, dan aktivitas mahasiswa, dapat digunakan untuk memprediksi kelulusan tepat waktu. Dalam penelitian ini, algoritma K-Nearest Neighbors (K-NN) diterapkan untuk memprediksi kelulusan mahasiswa berdasarkan data akademik dan non-akademik. Metode ini bekerja dengan menggunakan pendekatan berbasis jarak untuk menganalisis data historis. Hasil penelitian menunjukkan bahwa algoritma K-NN memberikan prediksi yang akurat, sehingga membantu institusi pendidikan melakukan intervensi dini bagi mahasiswa yang berisiko. Penelitian ini diharapkan dapat mendukung pengambilan keputusan strategis dalam meningkatkan tingkat kelulusan mahasiswa.
Â
Kata kunci: SIAKAD, K-Nearest Neighbors, prediksi kelulusan, algoritma berbasis jarak, intervensi dini.
Abstract:Abstract: Hybrid Intelligent Systems are systems that combine more than one artificial intelligence (AI) technique or computational approach to leverage their respective strengths and overcome their individual weaknesses.…
. HIS are usually designed to handle complex tasks that are difficult to solve with a single approach. These systems combine techniques such as fuzzy logic, artificial neural networks, evolutionary algorithms, and rule-based methods, resulting in more flexible, adaptive, and intelligent solutions. The method used in the classification is the Principal Component Analysis (PCA) Algorithm, which is a statistical analysis method that aims to reduce data dimensions while maintaining significant information. PCA works by transforming the initial variables into a set of uncorrelated principal components. This technique is widely used in various fields such as image processing, pattern recognition, data compression, and exploratory data analysis. The PCA process involves decomposing the covariance or correlation matrix of the data to find the eigenvectors and eigenvalues that represent the principal components. By reducing dimensions, PCA helps overcome data redundancy problems, improves computational efficiency, and enables data visualization in lower dimensions. This study reviews the basic concept of PCA, its mathematical implementation, and its practical application in multidimensional data analysis. The K-Nearest Neighbor (KNN) algorithm is a machine learning method used for classification and regression with a simple principle, namely determining the class or value of a data based on its k nearest neighbors in the feature space. KNN works by calculating the distance between the test data and the training data using metrics such as Euclidean Distance, Manhattan Distance, or Minkowski Distance, then determining the prediction results based on the majority of classes or the average value of the nearest neighbors.
Â
Keywords: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).
Abstrak: Hybrid Intelligent Systems merupakan sistem yang menggabungkan lebih dari satu teknik kecerdasan buatan (AI) atau pendekatan komputasi untuk memanfaatkan kekuatan masing-masing dan mengatasi kelemahan individu. HIS biasanya dirancang untuk menangani tugas-tugas yang kompleks, yang sulit diselesaikan dengan pendekatan tunggal. Sistem ini memadukan teknik-teknik seperti logika fuzzy, jaringan saraf tiruan, algoritma evolusioner, dan metode berbasis aturan, sehingga menghasilkan solusi yang lebih fleksibel, adaptif, dan cerdas. Adapun metode yang digunakan dalam klasifikasi yaitu Algoritma Principal Component Analysis (PCA) merupakan salah satu metode analisis statistik yang bertujuan untuk mereduksi dimensi data sambil mempertahankan informasi yang signifikan. PCA bekerja dengan mentransformasikan variabel awal menjadi sekumpulan komponen utama (principal components) yang tidak saling berkorelasi. Teknik ini banyak digunakan dalam berbagai bidang seperti pengolahan citra, pengenalan pola, kompresi data, dan analisis data eksploratif. Proses PCA melibatkan dekomposisi matriks kovarians atau korelasi data untuk menemukan vektor eigen dan nilai eigen yang merepresentasikan komponen utama. Dengan mereduksi dimensi, PCA membantu mengatasi masalah redundansi data, meningkatkan efisiensi komputasi, dan memungkinkan visualisasi data dalam dimensi yang lebih rendah. Studi ini mengulas konsep dasar PCA, implementasi matematisnya, serta aplikasi praktisnya dalam analisis data multidimensi. Algoritma K-Nearest Neighbor (KNN) adalah metode pembelajaran mesin yang digunakan untuk klasifikasi dan regresi dengan prinsip sederhana, yaitu menentukan kelas atau nilai suatu data berdasarkan k tetangga terdekatnya dalam ruang fitur. KNN bekerja dengan menghitung jarak antara data uji dengan data pelatihan menggunakan metrik seperti Euclidean Distance, Manhattan Distance, atau Minkowski Distance, kemudian menentukan hasil prediksi berdasarkan mayoritas kelas atau rata-rata nilai tetangga terdekat.
Â
Kata kunci: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).
Abstract:Abstract: Information about algorithm performance is one of the reasons for this research. Choosing an algorithm that suits your needs will certainly increase the effectiveness of the computational process. The ontology…
in this study focuses on finding information about the comparison of the performance of the Euclidean, Manhattan, and Minkowski methods. In the research process, testing was carried out using a dataset consisting of 1,000 images. From the dataset used, there are ten categories, namely African Tribes, Beaches, Buildings, Buses, Dinosaurs, Elephants, Flowers, Horses, Mountains, and Food. Each category consists of 100 images. The study was conducted by comparing the performance of each method to identify image similarities. From the results of the study, information was obtained on the average execution time to perform computations from each method, namely Euclidean 0.55 seconds, Manhattan 0.56 seconds, and Minkowski 0.58 seconds. Then the average memory usage for the computational process of each method, namely Euclidean 2.29 MB, Manhattan 2.28 MB, and Minkowski 2.22 MB. The peak memory usage during the computation process of each method is Euclidean 3.60 MB, Manhattan 3.59 MB, and Minkowski 2.39 MB. Euclidean distance offers the speed of the computation process but requires the highest resources. Minkowski distance offers low resource usage but the computation process becomes slow.
Â
Keywords: Euclidean Method, Manhattan, Minkowski, Image Similarity Identification.
Â
Abstrak: Informasi mengenai performa algoritma menjadi salah satu alasan dilakukan penelitian ini. Pemilihan algoritma yang sesuai dengan kubutuhan tentu akan meningkatkan efektifitas dalam proses komputasi. Ontologi dalam penelitian ini fokus dalam mencari keberadaan informasi mengenai perbandingan performa metode Metode Euclidean, Manhattan, dan Minkowski. Dalam proses penelitian dilakukan pengujian dengan menggunakan dataset yang terdiri dari 1.000 citra. Dari dataset yang digunakan terdapat sepuluh kategori yaitu Suku Afrika, Pantai, Bangunan, Bus, Dinosaurus, Gajah, Bunga, Kuda, Gunung, dan Makanan. Setiap kategori terdiri dari 100 citra. Penelitian dilakukan dengan membandingkan kinerja masing-masing metode metode untuk melakukan identifikasi kemiripan citra. Dari hasil penelitian didaptkan informasi rata-rata waktu eksekusi untuk melakukan komputasi dari tiap-tiap metode yaitu Euclidean 0.55 detik , Manhattan 0.56 detik, dan Minkowski 0.58 detik. Kemudian rata-rata penggunaan memori untuk proses komputasi dari masing-msing metode yaitu Euclidean 2.29 MB, Manhattan 2.28 MB, dan Minkowski 2.22 MB. Puncak penggunaan memori saat melakukan proses komputasi dari masing-masing metode yaitu Euclidean 3.60 MB, Manhattan 3.59 MB, dan Minkowski 2.39 MB. Eculidean distance menawarkan kecepatan proses komputasi namun membutuhkan resource paling tinggi. minkowski distance menawarkan penggunaan resource yang rendah namun proses komputasi menjadi lambat.
Â
Kata kunci: Metode Euclidean, Manhattan, Minkowski, Identifikasi Kemiripan Citra
Abstract:Abstract: Public service is any form of service provided by the government, whether organized by the government institution itself or by non-government institutions to meet the needs of the community or the implementation…
n of provisions that have been determined with all means and equipment through certain work procedures in order to provide services in the form of goods and services. Public service referred to in this study includes all forms of service to the community carried out by the District in meeting the needs of the community which are carried out based on the principles, principles and standards of public service in order to realize a democratic government. The purpose of the study is to apply the KNN method to the system to be designed. The data inputted into this system is public service work data. The testing process produces new information that when the researcher inputs a work time value of 45 minutes, a constraint value of 2, a completion status value of 3 and a test of K = 3, K = 5, K = 7 the classification is good with a distance of K = 3 (0.006666666667). The designed application can solve the problem of classifying public services based on the achievements of the public service division so that leaders can see which work needs to be evaluated because of the long process.
Â
Keywords: Implementation, K-Nearest Neighbor (KNN) Algorithm, Public Service Classification, Web
Abstrak: Pelayanan publik merupakan segala bentuk pelayanan yang diberikan oleh pemerintah baik yang diselenggarakan oleh lembaga pemerintah itu sendiri ataupun oleh lembaga non-pemerintah untuk memenuhi kebutuhan masyarakat maupun pelaksanaan ketentuan yang telah ditetapkan dengan segala sarana, dan perlengkapannya melalui prosedur kerja tertentu guna memberikan jasa pelayanan dalam bentuk barang dan jasa. Pelayanan publik yang dimaksud dalam penelitian ini termasuk dalam segala bentuk pelayanan pada masyarakat yang dilakukan oleh Kecamatan dalam memenuhi kebutuhan masyarakat yang dilakukan berdasarkan asas, prinsip dan standar pelayanan publik agar mewujudkan pemerintahan yang demokratis. Tujuan penelitian untuk menerapkan metode KNN pada sistem yang akan dirancang. Data yang diinputkan dalam sistem ini ialah data pengerjaan pelayanan publik. Proses pengujian menghasilkan informasi baru bahwa ketika peneliti menginputkan nilai waktu pengerjaan 45 menit, nilai kendala 2, nilai status penyelesaian 3 dan ujia K = 3, K = 5, K = 7 klasifikasinya adalah bagus dengan jarak K = 3 (0.0066666666667). Aplikasi yang dirancang dapat menyelesaikan permasalahan mengklasifikasikan pelayanan publik berdasarkan pencapaian kerja bagian pelayanan publik sehingga pemimpin dapat melihat pekerjaan yang perlu dievaluasi berdasarkan waktu pengerjaannya.
Â
Kata kunci: Implementasi, Algoritma K-Nearest Neighbor (KNN), Klasifikasi Pelayanan Publik, Web.
Abstract:Abstract: This study aims to classify employee performance using the K-Means method. Employee data includes total orders, average order processing time, customer satisfaction, delivery errors, absences, successful projects,…
ts, and training attended. The clustering process begins with calculating the initial centroid distance and grouping the data based on the nearest distance, repeated until there are no significant changes in the centroid positions. Clustering results are displayed in the "Result" feature with three performance categories: Excellent (C1), Satisfactory (C2), and Poor (C3). The final centroids are as follows: Centroid 1 (C1) = [0.53, 0.40, 0.64, 0.33, 0.31, 0.55, 0.50], Centroid 2 (C2) = [0.11, 0.82, 0.24, 0.78, 0.75, 0.13, 0.00], and Centroid 3 (C3) = [0.89, 0.12, 0.93, 0.11, 0.08, 0.87, 0.83]. The analysis shows 185 employees in cluster C1 (Excellent), 67 employees in cluster C2 (Satisfactory), and 383 employees in cluster C3 (Poor). These results can be used as a basis for managerial decision-making, such as training, promotion, or other actions to improve productivity and efficiency. The K-Means method has proven effective for employee performance clustering and can be well integrated into employee management systems. It is recommended to conduct a longitudinal study to observe changes in employee performance over time and measure the effectiveness of managerial interventions based on these clustering results.
Â
Keywords: K-Means Clustering, Employee Performance, Data Analysis, Performance
               Categories
Abstrak: Penelitian ini bertujuan mengelompokkan kinerja karyawan import bagian opersional menggunakan metode K-Means. Data karyawan meliputi total order, rata-rata waktu proses order, kepuasan pelanggan, kesalahan pengiriman, absensi, proyek sukses, dan pelatihan yang diikuti. Proses clustering dimulai dengan menghitung jarak centroid awal dan mengelompokkan data berdasarkan jarak terdekat, diulang hingga tidak ada perubahan signifikan pada posisi centroid. Hasil clustering ditampilkan dalam fitur "Result" dengan tiga kategori kinerja: Baik (C1), Cukup (C2), dan Kurang (C3). Centroid akhir adalah sebagai berikut: Centroid 1 (C1) = [0.53, 0.40, 0.64, 0.33, 0.31, 0.55, 0.50], Centroid 2 (C2) = [0.11, 0.82, 0.24, 0.78, 0.75, 0.13, 0.00], dan Centroid 3 (C3) = [0.89, 0.12, 0.93, 0.11, 0.08, 0.87, 0.83]. Analisis menunjukkan 185 karyawan dalam cluster C1 (Baik), 67 karyawan dalam cluster C2 (Cukup), dan 383 karyawan dalam cluster C3 (Kurang). Hasil ini dapat dijadikan dasar untuk pengambilan keputusan manajerial, seperti pelatihan, promosi, atau tindakan lainnya yang meningkatkan produktivitas dan efisiensi. Metode K-Means terbukti efektif untuk pengelompokan kinerja karyawan dan dapat diintegrasikan dengan baik dalam sistem manajemen karyawan. Disarankan melakukan studi longitudinal untuk melihat perubahan kinerja karyawan dari waktu ke waktu dan mengukur efektivitas intervensi manajerial berdasarkan hasil clustering ini.
Â
Kata kunci: Pengelompokan K-Means, Kinerja Karyawan, Analisis Data, Kategori Kinerja
Â
Â
Abstract:Abstract: The number of applicants for scholarship becomes a challenge for managers of educational institutions to be able to provide an appropriate decision, effective and efficient in the management of data of scholarship…
hip recipients who really are entitled to receive scholarships. Technique for Order Preferences by Simularity to Ideal Solution (TOPSIS) is a method that has a concept where the best selected alternative not only has the shortest distance from the ideal ideal solution, but also has the longest distance from the ideal ideal solution. The criteria used in this system vary, in accordance with the scholarships provided by the agency. Applicant value data entered into the system will be calculated using the TOPSIS method, by finding the furthest and closest distance from the positive and negative ideal solutions. Applicants with the highest V score will rank at the top of this system. Based on the results of the selection case example shows that the calculation results using the system equal to manual calculations. This system is able to provide recommendation of scholarship.
Â
Keywords: scholarships, decision support systems, TOPSIS
Abstrak: Banyaknya pemohon beasiswa menjadi tantangan tersendiri bagi pihak pengelola lembaga pendidikan untuk dapat memberikan suatu keputusan yang tepat, efektif dan efisien dalam pengelolaan data penerima beasiswa yang benar-benar berhak menerima beasiswa. Technique for Order Preferences by Simularity to Ideal Solution (TOPSIS) merupakan suatu metode yang memiliki konsep dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga memiliki jarak terpanjang dari solusi ideal negatif. Kriteria yang digunakan dalam sistem ini beragam, sesuai dengan beasiswa yang disediakan oleh pihak lembaga. Data nilai pemohon yang telah dimasukkan kedalam sistem akan dihitung menggunakan metode TOPSIS, dengan mencari jarak terjauh dan terdekat dari solusi ideal positif dan negatif. Pemohon dengan nilai v tertinggi akan menempati urutan teratas dalam sistem ini. Berdasarkan hasil contoh kasus seleksi menunjukkan bahwa hasil perhitungan menggunakan sistem sama dengan perhitungan manual. Sistem ini mampu memberikan rekomendasi pemberian beasiswa.
Â
Kata kunci: beasiswa, sistem pendukung keputusan, TOPSIS
Â
Abstract:Abstract: Searching for the location of Health Facilities that are still serving the Covid 19 vaccination with the closest distance to the user's position using the Haversine Formula and Google Maps as a support. Haversine…
ne Formula is an equation that gives the great circle distance (radius) between two points on the surface of the ball (earth) based on longitude and latitude From the results of this study, the Design Of A Vaccine Location Search Application Was Created Using The Android-Base Haversine Method to determine the closest distance of the location of health facilities that still serve the Covid 19 vaccination to the user's location. In searching forthe location of Health Facilities that are still serving the Covid 19 vaccination, the data used comes from the database server. The device used must have a GPS and an internet connection. Based on speed trials in providing location recommendations based on the closest mileage, the environment and weather can affect the speed in providing healthfacility location recommendation.
Â
Keywords: Vaccin; Covid-19; Haversine
Abstrak: Pencarian lokasi faskes yang masih melayani vaksinasi covid 19 dengan jarak terdekat dengan posisi pengguna menggunakan Haversine Formula serta Google Maps sebagai pendukung. Haversine Formula merupakan sebuah persamaan yang memberikan jarak lingkaran besar (radius) antara dua titik pada permukaan bola (bumi) berdasarkan garis bujur dan lintang. Dari hasil penelitian ini, tercipta Perancangan Aplikasi Pencarian Lokasi Vaksin Menggunakan Metode Haversine Berbasis Android untuk menetukan jarak terdekat lokasi Faskes yang masih melayani vaksinasi covid 19 dengan lokasi pengguna. Dalam pencarian lokasi fasilitas kesehatan yang masih melayani vaksinasi covid 19, data yang digunakan berasal dari database server. Device yang digunakan harus memiliki GPS dan koneksi internet. Berdasarkan uji coba kecepatan dalam memberikan rekomendasi lokasi berdasarkan jarak tempuh terdekat, lingkungan dan cuaca dapat mempengaruhi kecepatan dalam memberikan rekomendasi lokasi fasilitas kesehatan yang masih melayani vaksinasi covid 19 terdekat dengan lokasi user.
Â
Kata kunci: Vaksin; Covid 19; Haversine
Abstract:Pengiriman barang oleh kurir distributor DaysParfum.indo di Kota Medan mengalami kesulitan dalam menentukan rute terpendek dan menghindari jalan yang sama. Untuk mengatasi masalah ini, digunakan algoritma A* dengan fungsi…
i heuristik Euclidean Distance dan Manhattan Distance. Algoritma A* dilengkapi fungsi heuristik merupakan salah satu algoritma yang dapat menyelesaikan pencarian jalur terpendek. Fungsi heuristik yang paling umum digunakan yakni Euclidean Distance dan Manhattan Distance. Penelitian ini bertujuan untuk membandingkan kedua fungsi heuristik tersebut dalam menyelesaikan pencarian rute terdekat pengiriman barang. Hasil penelitian menunjukkan bahwa fungsi heuristik Manhattan Distance lebih baik daripada Euclidean Distance dalam algoritma A*, dengan nilai rata-rata total jarak sebesar 27.30338 km dari 10 data transaksi dengan jumlah titik pengiriman yang berbeda-beda. Pengujian menunjukkan bahwa jumlah titik pengiriman tidak mempengaruhi nilai waktu eksekusi.
Abstract:Cholera is a disease that can be dangerous if not treated immediately. The main symptoms are diarrhea, shock, and seizures. Children with cholera need serious treatment from medical personnel. The problem that often occurs…
rs is that there are not many doctors who are experts in this field, plus for people who are far from urban areas such as people who live in mountainous areas or remote villages it is very unlikely to be able to consult a doctor due to distance, cost and time factors. This study aims to build an expert system application that is able to diagnose cholera in children early by applying the K-Nearest Neighbor (KNN) method, so that people, especially those who are far from urban areas, can find out more about cholera in children so that it can be treated more quickly. The KNN method can be implemented in a system that adopts the ability of experts to diagnose cholera in children. In applying the KNN method, symptom initialization is carried out by entering the density value and looking for the combination confidence value to get the diagnostic result. From this research, it can be concluded that the application that was built can be used to replace experts in helping to diagnose cholera in children early.